文本预处理

简介

把文本视为时序序列，每一个词或 token 作为一个时间步，将文本转换为张量形式。

实现

import collections
import random
import re
import torch
import util

导入数据集

def read_time_machine():
    """将《Time Machine》小说加载到文本行的列表中"""
    with open(util.data.download('time_machine'), 'r') as f:
        lines = f.readlines()
    # 非字母换成空格，大写转小写
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

lines = read_time_machine()
print(f'lines: {len(lines)}')
print(lines[0])
print(lines[10])

正在从https://d2l-data.s3-accelerate.amazonaws.com/timemachine.txt下载./data/timemachine.txt...
lines: 3221
the time machine by h g wells
twinkled and his usually pale face was flushed and animated the

文本序列拆分成 token 列表

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

tokens = tokenize(lines, 'word')
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']

构建词汇表（Vocabulary），把 token 映射为 id

class Vocab:
    """文本词汇表"""
    def __init__(self, tokens=None, min_freq: int=0, reserved_tokens=None):
        """通过传入的 token 列表构建词汇表
        :param tokens: 列表，包含所有文本的 token
        :param min_freq: token 的最小频率（频率低于该值的 token 会被忽略）
        :param reserved_tokens: 保留的 token 列表（BOS、EOS、PAD 等）
        """
        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(), # token-频率 对
                                   key=lambda x: x[1], # 按频率排序
                                   reverse=True) # 降序
        # 未知词元索引为 0
        self.unk = 0 # 未知词元的索引
        unique_tokens = ['<unk>'] + reserved_tokens
        # 按频率添加 token
        unique_tokens += [token for token, freq in self._token_freqs
                            if freq >= min_freq and
                               token not in unique_tokens]
        # 构建映射表
        self.idx_to_token, self.token_to_idx = [], dict()
        for token in unique_tokens:
            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) # 词汇表大小

    def __getitem__(self, tokens):
        """获取 token 的索引"""
        if not isinstance(tokens, (list, tuple)): # 单个 token
            return self.token_to_idx.get(tokens, self.unk) # 返回索引，若 token 不在词汇表中则返回 unk 索引
        return [self.__getitem__(token) for token in tokens] # token 列表（递归调用）

    def to_tokens(self, indices):
        """获取索引对应的 token"""
        if not isinstance(indices, (list, tuple)): # 单个索引
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices] # 索引列表

def count_corpus(tokens):
    """统计 token 的频率"""
    # tokens 是 1D 列表或 2D 列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将所有子列表展平到一个列表中
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

构建

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10]) # 打印前 10 个

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

文本转成 id 列表

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

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

打包所有功能

def load_corpus_time_machine(max_tokens=-1, token='char'):
    """返回时序数据和词汇表
    :param max_tokens: 最大 token 数量，若为 -1 则不限制
    :param token: 'word' 或 'char'，按单词或字符拆分
    :return: corpus (列表，包含所有 token 的索引) 和 vocab (词汇表)
    """
    lines = read_time_machine()
    tokens = tokenize(lines, token) # 按字符拆分
    vocab = Vocab(tokens) # 构建词汇表
    # 将所有 token 转成索引
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

corpus, vocab = load_corpus_time_machine(token='word')
len(corpus), len(vocab)

(32775, 4580)