D2L-41 文本预处理

import collections
import re
from d2l import torch as d2l

d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    # 使用正则表达式进行模式匹配
    # 将所有非字母变为空格
    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])

# Out:
# 文本总行数:3221
# ...

# 每个文本序列被拆分成一个词元列表，词元（token）是文本的基本单位。
def tokenize(lines, token='word'):
    if token == 'word':#按单词
        #按空格分割句子
        return [line.split() for line in lines]
    elif token == 'char':#按字母
        #把字符串变成列表，按单个字符
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)

# 分词
tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])

class Vocab:
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 计算词的频数统计
        counter = count_corpus(tokens)
        # 按频数key=x[1]，降序排序
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 初始化索引查词元的列表：idx -> token
        # 语料库中不存在词元和reserved_tokens列表合并
        self.idx_to_token = ['<unk>'] + reserved_tokens
        # 初始化词元倒查对应索引字典：token -> idx
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        # 遍历词频统计
        for token, freq in self._token_freqs:
            # 遇到低于频数阈值的词则跳过，过滤长尾词
            if freq < min_freq:
                break
            # 否则如果第一次在词元倒查对应索引字典出现的词
            if token not in self.token_to_idx:
                # 添加新词到索引查词元的列表
                self.idx_to_token.append(token)
                # 添加新元素到词元倒查对应索引字典
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    # __len__使对象可以被len()方法调用
    def __len__(self):
        return len(self.idx_to_token)

    # 定义给定token返回index的方法
    def __getitem__(self, tokens):
        # 如果token不为list或tuple类型（即为单个词，字符串类型），直接返回对应索引，若不存该词在则返回缺省值self.unk=0
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        # 若为可迭代列表等对象，则递归
        return [self.__getitem__(token) for token in tokens]

    # 定义给定index返回token的方法
    def to_tokens(self, indices):
        # 若为单个词对象，直接返回索引对应词
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        # 否则递归
        return [self.idx_to_token[index] for index in indices]

    #装饰器，把方法变属性
    @property
    def unk(self):
        return 0

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

def count_corpus(tokens):
    # 判断tokens是否为 1D list或 2D list
    if len(tokens) == 0 or isinstance(tokens[0], list):
        #for line in tokens:
        #    for token in line:
        #对双重循环的每一个元素，做token操作放在新的列表tokens里
        #这里就把两层嵌套列表变成了一层嵌套
        #tokens的每一行的字符串列表(line)里的单词字符串(token)
        #返回的是整个文本(tokens)所有的字符串
        tokens = [token for line in tokens for token in line]
    # 计算每个词出现的频数
    return collections.Counter(tokens)

# 创建词汇表
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])

# Out:
# [('<unk>',0),('the',1),('i',2),....('that',9)]

def load_corpus_time_machine(max_tokens=-1):
    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]
    # 返回每一个token的索引
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

# 处理语料
corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)
# Out:
# (32775, 4580)