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
讀入文本
我們用一部英文小說，即H. G. Well的Time Machine，作爲示例，展示文本預處理的具體過程。
鏈接:http://www.gutenberg.org/ebooks/35
import collections #容器
import re
def read_time_machine():
with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
#替換功能,正則表達，將所有非a-z的字符替換掉
lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
return lines
lines = read_time_machine()
print('# sentences %d' % len(lines))
# sentences 3221
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':#按照單詞來分
return [sentence.split(' ') for sentence in sentences]
elif token == 'char':#按照字母
return [list(sentence) for sentence in sentences]
else:
print('ERROR: unkown token type '+token)
tokens = tokenize(lines)
tokens[0:2]
結果：
[['the', 'time', 'machine', 'by', 'h', 'g', 'wells', ''], ['']]
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):
def __init__(self, tokens, min_freq=0, use_special_tokens=False):
counter = count_corpus(tokens) # :
self.token_freqs = list(counter.items())#變成這樣的形式 [('red', 2), ('green', 10)]
self.idx_to_token = []
if use_special_tokens:
# padding, begin of sentence, end of sentence, unknown
self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
self.idx_to_token += ['<pad>', '<bos>', '<eos>', '<unk>']
else:
self.unk = 0
self.idx_to_token += ['<unk>']
###把每一個詞加進來
self.idx_to_token += [token for token, freq in self.token_freqs
if freq >= min_freq and token not in self.idx_to_token]
#min_freq指的是詞出現的最少的次數
self.token_to_idx = dict()
for idx, token in enumerate(self.idx_to_token):
self.token_to_idx[token] = idx####讓每一個詞對應一個索引
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)##get() 函數返回指定鍵的值，如果值不在字典中返回默認值
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):
#將每個句子的單詞羅列出來
tokens = [tk for st in sentences for tk in st]
return collections.Counter(tokens) # 返回一個字典，記錄每個詞的出現次數
我們看一個例子，這裏我們嘗試用Time Machine作爲語料構建字典
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[0:10])
結果：
[('', 0), ('the', 1), ('time', 2), ('machine', 3), ('by', 4), ('h', 5), ('g', 6), ('wells', 7), ('i', 8), ('traveller', 9)]
#每一個詞對應了一個索引
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]])
結果：
words: ['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him', '']
indices: [1, 2, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 0]
words: ['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
indices: [20, 21, 22, 23, 24, 16, 25, 26, 27, 28, 29, 30]
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：
spacy:https://spacy.io/
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])
結果：
['Mr.', 'Chen', 'does', "n't", 'agree', 'with', 'my', 'suggestion', '.']
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))
結果：
['Mr.', 'Chen', 'does', "n't", 'agree', 'with', 'my', 'suggestion', '.']