2月13日學習內容3 文本預處理

原創

like alone

2020-02-20 17:00

文本預處理

文本是一類序列數據，一篇文章可以看作是字符或單詞的序列，本節將介紹文本數據的常見預處理步驟，預處理通常包括四個步驟：

讀入文本
分詞
建立字典，將每個詞映射到一個唯一的索引（index）
將文本從詞的序列轉換爲索引的序列，方便輸入模型

import collections
import re

def read_time_machine():
    with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
    return lines
#.strip()移除字符串頭尾指定的字符（默認爲空格或換行符）或字符序列。
#.lower()轉換字符串中所有大寫字符爲小寫。
#re.sub是個正則表達式替換函數，用來實現通過正則表達式，實現比普通字符串的replace更加強大的替換功能；

lines = read_time_machine()
print('# sentences %d' % len(lines))

#分詞：我們對每個句子進行分詞，也就是將一個句子劃分成若干個詞（token），轉換爲一個詞的序列。
def tokenize(sentences, token='word'):
    """Split sentences into word or char tokens"""
    if token == 'word':
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)
#split() 通過指定分隔符對字符串進行切片，如果參數 num 有指定值，則分隔 num+1 個子字符串
tokens = tokenize(lines)
tokens[0:2]

#建立字典：爲了方便模型處理，我們需要將字符串轉換爲數字。因此我們需要先構建一個字典（vocabulary），將每個詞映射到一個唯一的索引編號。
class Vocab(object):
#參數解釋：
#1.token：上述tokenize的返回結果，二維列表
#2.min_freq：閾值，當詞出現頻率小於該閾值，忽略這些詞
#3.use_special_tokens：字典構件式是否使用了特殊的token 
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        #統計詞頻
        counter = count_corpus(tokens)  # : <key, value>：<詞，詞頻>
        self.token_freqs = list(counter.items())#counter的二元組構成列表
        self.idx_to_token = []#記錄字典需要維護的token
        if use_special_tokens:#特殊token添加
            # padding補償短句子
            # begin of sentence句子開始出添加，標識開始
            # end of sentence句子結束處添加，表示結束
            # unknown輸入中的詞可能不在語料庫中，即未登錄詞，講這些當做unk處理
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['', '', '', '']
        else:
            self.unk = 0
            self.idx_to_token += ['<unk>']
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]
        self.token_to_idx = dict()
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx

    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]

def count_corpus(sentences):
    tokens = [tk for st in sentences for tk in st]#展平操作
    return collections.Counter(tokens)  # 返回一個字典，記錄每個詞的出現次數
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[0:10])

#將詞轉爲索引，使用字典，我們可以將原文本中的句子從單詞序列轉換爲索引序列
for i in range(8, 10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])

用現有工具進行分詞

我們前面介紹的分詞方式非常簡單，它至少有以下幾個缺點:

標點符號通常可以提供語義信息，但是我們的方法直接將其丟棄了
類似“shouldn’t", "doesn’t"這樣的詞會被錯誤地處理
類似"Mr.", "Dr."這樣的詞會被錯誤地處理
我們可以通過引入更復雜的規則來解決這些問題，但是事實上，有一些現有的工具可以很好地進行分詞，我們在這裏簡單介紹其中的兩個：spaCy和NLTK。

下面是一個簡單的例子：

text = "Mr. Chen doesn't agree with my suggestion."
#spaCy
import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])

#NLTK
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))