8.2. 文本预处理 — 动手学深度学习 2.0.0-beta0 documentation (d2l.ai)

1. 改写为读本地文件

2. 增加更多输出项，研究内部结构

编程环境：pycharm，python 3.9

将文本作为字符串加载到内存中。

1. 将字符串拆分为词元（如单词和字符）。

2. 建立一个词表，将拆分的词元映射到数字索引。

3. 将文本转换为数字索引序列，方便模型操作。

1. 将字符串拆分为词元（如单词和字符）

词元（token）是文本的基本单位

直接处理文本是无法操作的。首先把文本拆为词元。也就是拆成一个个单词，或者拆的更碎，直接拆成字母。中文一般是用分词工具，拆成一个个词语，或者更碎，拆成一个个文字。

import re


def read_time_machine():
    """将时间机器数据集加载到文本行的列表中"""
    with open('../timemachine.txt', 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]


lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
for i in range(11):
    print(f'lines{i}:{lines[i]}')


def tokenize(lines, token='word'):
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)


tokens = tokenize(lines)
for i in range(11):
    print(f'tokens{i}:{tokens[i]}')

运行结果，文本拆成了一个个单词。

2. 建立词表，将拆分的词元映射到数字索引

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）。

根据每个唯一词元的出现频率，为其分配一个数字索引。

构建字典，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。

import collections
import re


def read_time_machine():
    """将时间机器数据集加载到文本行的列表中"""
    with open('../timemachine.txt', 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]


lines = read_time_machine()


def tokenize(lines, token='word'):
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)


tokens = tokenize(lines)


class Vocab:
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)
        # 未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

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

    @property
    def token_freqs(self):
        return self._token_freqs


def count_corpus(tokens):
    """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):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)


vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])
print(vocab.token_freqs[:10])
for i in [0, 10, 15]:
    print('文本（词元）:', i, tokens[i])
    print('索引（词表）:', i, vocab[tokens[i]])

运行结果， 词表的 索引、词频、单词与词频的对照

3.  整合在一起使用

第1步的例子是单词词元，这里用的字符词元。

import collections
import re


def read_time_machine():
    """将时间机器数据集加载到文本行的列表中"""
    with open('../timemachine.txt', 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]


def tokenize(lines, token='word'):
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)


class Vocab:
    """文本词表"""

    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)
        # 未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

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

    @property
    def token_freqs(self):
        return self._token_freqs


def count_corpus(tokens):
    """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):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)


def load_corpus_time_machine(max_tokens=-1):
    """返回时光机器数据集的词元索引列表和词表"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')  # 使用字符（而不是单词）实现文本词元化
    for i in [0, 10, 15]:
        print(f'tokens{i}:{tokens[i]}')
    vocab = Vocab(tokens)


    # 因为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，所以将所有文本行展平到一个列表中
    corpus = [vocab[token] for line in tokens for token in line]  # 语料（corpus）
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab


corpus, vocab = load_corpus_time_machine()

print('len(corpus), len(vocab):', len(corpus), len(vocab))
lines = read_time_machine()
print(f'lines{0}:{lines[0]}')
print('index of char:', corpus[:10])
print('vocab index:', list(vocab.token_to_idx.items()))
print('vocab freqs:', vocab.token_freqs)

运行结果，

观察词元：是一个个字符，

观察对应关系：一个个字符，映射成了一个个数字（数字是词表中的索引号），

观察词表：28个字符的索引，28个字符的词频

标签：tokens,8.2,词元,idx,self,lines,token,学习,pytorch
来源： https://www.cnblogs.com/hbuwyg/p/16358800.html