Pytorch 文本预处理

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. 文本预处理

对于序列数据处理问题，我们在上一节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是一串单词序列，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。

2. 代码

!pip install -U d2l
import collections
import re
from d2l import torch as d2l

2.1 读取数据集

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"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    # 把非字母的变成空格，去除多余空，全部变成小写
    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)}')
print(lines[0])
print(lines[10])

在这里插入图片描述
共 3221 行

2.2 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'): 
    """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(tokens[i])

在这里插入图片描述

2.3 词表

词元（token）的类型是字符串，而模型需要的输入是数字，字符串不方便模型使用。所以需要构建一个字典，通常也叫做词汇表（vocabulary），用来将字符串类型的词元（token）映射到从 $0$ 开始的数字索引中：

class Vocab:  #@save
    """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)
        # 从大到小排序
        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)):
        	# get() 第一个参数是 key，第二个参数是字典中没有 key 的时候返回的值。
            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):  #@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):
        # 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)

min_freq 设置词频，很少出现的词元通常被移除，这可以降低复杂性。
@property 修饰只读属性，访问时可以直接像属性那样访问，后面不需要加()。
__getitem__ 函数拦截索引运算，当实例 s 出现 s[i] 这样的索引运算时，Python会调用这个实例 s 继承的这个方法。

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>”）。

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])

在这里插入图片描述
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]])

在这里插入图片描述

2.4 整合

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）：

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, 'word')
    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]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)

在这里插入图片描述
使用字符（而不是单词）实现文本词元化：

tokenize(lines, 'char')

修改后结果为：
在这里插入图片描述
这里的字典长度为 $28$ = 空格 + <unk> + $26$ 个字母

3. Q&A

Q：词表中按照词频排序是必要的吗？
A：不是必要的，但是查询上会省时间，频率越高的词越靠前，查询的时候更省时间。而且不管预测还是训练，词表是不能变的，要不就乱套了。

Q：中文分词怎么办？
A：Jieba 分词。