文本预处理_by《李沐：动手学深度学习v2》pytorch版

系列文章目录

例如：第一章 Python 机器学习入门之pandas的使用

文章目录

系列文章目录
一、理论部分
二、代码
- 读取数据集
- 词元化
- 词表
- 整合所有功能
- 小结
- 练习

一、理论部分

对于序列数据处理问题，我们在序列处理中评估了所需的统计工具和预测时面临的挑战。
这样的数据存在许多种形式，文本是最常见例子之一。
例如，一篇文章可以被简单地看作一串单词序列，甚至是一串字符序列。
本节中，我们将解析文本的常见预处理步骤。
这些步骤通常包括：

将文本作为字符串加载到内存中。
将字符串拆分为词元（如单词和字符）。
建立一个词表，将拆分的词元映射到数字索引。
将文本转换为数字索引序列，方便模型操作。

二、代码

import collections
import re
from d2l import torch as d2l

读取数据集

首先，我们从H.G.Well的时光机器中加载文本。
这是一个相当小的语料库，只有30000多个单词，但足够我们小试牛刀，而现实中的文档集合可能会包含数十亿个单词。
下面的函数(将数据集读取到由多条文本行组成的列表中)，其中每条文本行都是一个字符串。
为简单起见，我们在这里忽略了标点符号和字母大写。

# 将时间机器数据集的下载链接和哈希值添加到数据仓库中
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():  #@save
    """将时间机器数据集加载到文本行的列表中"""
    # 打开下载的时间机器文本文件
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()  # 读取所有行
    # 使用正则表达式清洗每一行文本，去掉非字母字符，并转换为小写
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

# 调用函数读取数据集
lines = read_time_machine()

# 输出文本总行数
print(f'# 文本总行数: {len(lines)}')

# 输出第一行和第十行的内容
print(lines[0])
print(lines[10])

# 文本总行数: 3221
the time machine by h g wells
twinkled and his usually pale face was flushed and animated the

词元化

下面的tokenize函数将文本行列表（lines）作为输入，列表中的每个元素是一个文本序列（如一条文本行）。
[每个文本序列又被拆分成一个词元列表]，词元（token）是文本的基本单位。
最后，返回一个由词元列表组成的列表，其中的每个词元都是一个字符串（string）。

def tokenize(lines, token='word'):  #@save
    """将文本行拆分为单词或字符词元"""
    # 如果指定的词元类型是 'word'
    if token == 'word':
        # 将每一行拆分为单词，返回一个包含单词列表的列表
        return [line.split() for line in lines]
    # 如果指定的词元类型是 'char'
    elif token == 'char':
        # 将每一行拆分为字符，返回一个包含字符列表的列表
        return [list(line) for line in lines]
    else:
        # 如果词元类型未知，打印错误信息
        print('错误：未知词元类型：' + token)

# 调用 tokenize 函数，将文本行拆分为词元，默认使用单词作为词元
tokens = tokenize(lines)

# 打印前 11 行的词元
for i in range(11):
    print(tokens[i])

['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
[]
[]
[]
[]
['i']
[]
[]
['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him']
['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']

词表

词元的类型是字符串，而模型需要的输入是数字，因此这种类型不方便模型使用。
现在，让我们[构建一个字典，通常也叫做词表（vocabulary），用来将字符串类型的词元映射到从 $0$ 开始的数字索引中]。
我们先将训练集中的所有文档合并在一起，对它们的唯一词元进行统计，得到的统计结果称之为语料（corpus）。
然后根据每个唯一词元的出现频率，为其分配一个数字索引。
很少出现的词元通常被移除，这可以降低复杂性。
另外，语料库中不存在或已删除的任何词元都将映射到一个特定的未知词元“<unk>”。
我们可以选择增加一个列表，用于保存那些被保留的词元，例如：填充词元（“<pad>”）；序列开始词元（“<bos>”）；序列结束词元（“<eos>”）。

class Vocab:  #@save
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        # 初始化词表，接受词元列表、最小频率和保留词元
        if tokens is None:
            tokens = []  # 如果未提供词元，则初始化为空列表
        if reserved_tokens is None:
            reserved_tokens = []  # 如果未提供保留词元，则初始化为空列表
        
        # 按出现频率统计词元
        counter = count_corpus(tokens)  # 统计词元频率
        # 下面这行代码的作用是将词元的频率进行排序。
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)
        """
        1. counter.items()counter 是一个字典，包含了词元及其对应的频率。
        items()方法返回一个包含字典中所有键值对的视图，每个键值对以元组的形式表示，例如('word', frequency)。
		2. sorted(..., key=lambda x: x[1], reverse=True):
    	sorted() 函数用于对可迭代对象进行排序。这里对 counter.items() 返回的元组列表进行排序。
  		key=lambda x: x[1]:
     	key`参数指定了排序的依据。这里使用了一个匿名函数（lambda 函数），它接受一个元组 `x`，并返回该元组的第二个元素（即频率）。
     	因此，排序将基于频率进行。
   		reverse=True:设置为 `True` 表示按降序排序，即频率高的词元排在前面。
		3. self._token_freqs = ..:将排序后的结果赋值给 `self._token_freqs`，这是一个包含词元及其频率的列表，按频率从高到低排列。
		总结:这行代码的主要功能是生成一个按频率降序排列的列表，方便后续处理，例如在构建词表时可以优先考虑高频词元。
		"""
        # 未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens  # 初始化索引到词元的映射
        self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)}  # 初始化词元到索引的映射
        
        # 添加高频词元到词表
        for token, freq in self._token_freqs:
            if freq < min_freq:  # 如果频率低于最小频率，则停止添加
                break
            if token not in self.token_to_idx:  # 如果词元不在词表中
                self.idx_to_token.append(token)  # 添加词元到索引列表
                self.token_to_idx[token] = len(self.idx_to_token) - 1  # 更新词元到索引的映射

    def __len__(self):
        """返回词表中词元的数量"""
        print("调用了len函数")  # 打印调试信息
        return len(self.idx_to_token)  # 返回词元数量

    def __getitem__(self, tokens):
        """根据词元返回其索引"""
        if not isinstance(tokens, (list, tuple)):  # 如果输入不是列表或元组
            return self.token_to_idx.get(tokens, self.unk)  # 返回词元的索引，若不存在则返回未知词元索引
        return [self.__getitem__(token) for token in tokens]  # 对于列表或元组，递归调用获取每个词元的索引

    def to_tokens(self, indices):
        """根据索引返回词元"""
        if not isinstance(indices, (list, tuple)):  # 如果输入不是列表或元组
            return self.idx_to_token[indices]  # 返回对应索引的词元
        return [self.idx_to_token[index] for index in indices]  # 对于列表或元组，返回每个索引对应的词元

    @property
    def unk(self):  # 未知词元的索引为0
        return 0  # 返回未知词元的索引

    @property
    def token_freqs(self):
        """返回词元的频率"""
        return self._token_freqs  # 返回统计的词元频率

def count_corpus(tokens):  #@save
    """统计词元的频率"""
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):  # 如果tokens为空或是二维列表
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]  # 展平列表，提取所有词元
    return collections.Counter(tokens)  # 返回词元频率的计数器

我们首先使用时光机器数据集作为语料库来[构建词表]，然后打印前几个高频词元及其索引。

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])

[('<unk>', 0), ('the', 1), ('i', 2), ('and', 3), ('of', 4), ('a', 5), ('to', 6), ('was', 7), ('in', 8), ('that', 9)]

现在，我们可以(将每一条文本行转换成一个数字索引列表)。

for i in [0, 10]:
    print('文本:', tokens[i])
    print('索引:', vocab[tokens[i]])

文本: ['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
索引: [1, 19, 50, 40, 2183, 2184, 400]
文本: ['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']
索引: [2186, 3, 25, 1044, 362, 113, 7, 1421, 3, 1045, 1]

整合所有功能

在使用上述函数时，我们[将所有功能打包到load_corpus_time_machine函数中]，
该函数返回corpus（词元索引列表）和vocab（时光机器语料库的词表）。
我们在这里所做的改变是：

为了简化后面章节中的训练，我们使用字符（而不是单词）实现文本词元化；
时光机器数据集中的每个文本行不一定是一个句子或一个段落，还可能是一个单词，因此返回的corpus仅处理为单个列表，而不是使用多词元列表构成的一个列表。

def load_corpus_time_machine(max_tokens=-1):  #@save
    """返回时光机器数据集的词元索引列表和词表"""
    
    # 读取时光机器数据集的文本行
    lines = read_time_machine()
    
    # 将文本行拆分为字符词元
    tokens = tokenize(lines, 'char')
    
    # 创建词表对象
    vocab = Vocab(tokens)
    
    # 将所有文本行展平到一个列表中，获取每个字符的索引
    corpus = [vocab[token] for line in tokens for token in line]
    
    # 如果指定了最大词元数，则截取前 max_tokens 个词元
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    
    # 返回词元索引列表和词表
    return corpus, vocab

# 调用函数加载时光机器数据集，并获取词元索引列表和词表
corpus, vocab = load_corpus_time_machine()

# 输出词元索引列表和词表的长度
len(corpus), len(vocab) #前面的值为170580，后面的为28

调用了len函数
(170580, 28)

list(vocab.token_to_idx.items())[:10]

[('<unk>', 0),
 (' ', 1),
 ('e', 2),
 ('t', 3),
 ('a', 4),
 ('i', 5),
 ('n', 6),
 ('o', 7),
 ('s', 8),
 ('h', 9)]

小结

文本是序列数据的一种最常见的形式之一。
为了对文本进行预处理，我们通常将文本拆分为词元，构建词表将词元字符串映射为数字索引，并将文本数据转换为词元索引以供模型操作。

练习

词元化是一个关键的预处理步骤，它因语言而异。尝试找到另外三种常用的词元化文本的方法。
在本节的实验中，将文本词元为单词和更改Vocab实例的min_freq参数。这对词表大小有何影响？