理论基础

文本预处理通常包括四个步骤：

读入文本；
分词；
建立字典，将每个词映射到一个唯一的索引；
将文本从词的序列转换为索引的序列，方便输入模型。

动手实践

读入文本

python

deeplearning_01.pyview raw

import collections
import re

def read_time_machine():
    with open('/your file path', 'r') as f:
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
    return lines


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

strip()：去掉前/后缀的空白字符，也就是空格、制表、换行符；
lower(): 把所有大写字符转换为小写；
re.sub（‘正则表达式’，‘ ’，String）: 正则表达式的替换函数。将String中将与正则表达式相匹配的字符串转换为空格；
'[^a-z]+': ^表示“非”，^a-z即为非小写字符，+表示字符串长度至少为1，所以整个表达的意思是所有的非小写字符构成非空字符串。

分词

python

deeplearning_01.pyview raw

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)

tokens = tokenize(lines)
tokens[0:2]

@param sentence: 一个列表，每个列表元素都是一个句子；
@param token: 选定分词级别。word为单词级别，将sentence中的每个句子按空格分割；char为字符级别，将sentence中每个字符串句子转化为列表。

建立字典

为了方便模型处理，需要将字符串转化为数字，因此需要先构建一个字典，将每个词映射到一个唯一的索引编号。

构建的基本过程：

统计词频
将语料库中的词去重；
筛选掉一些；
添加自己定义的token；
将每一个token映射到唯一的索引，同时把每一个索引再映射到对应的token。

python

deeplearning_01.pyview raw

class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # : 
        self.token_freqs = list(counter.items())
        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 += ['', '', '', '']
        else:
            self.unk = 0
            self.idx_to_token += ['']
        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]
    return collections.Counter(tokens)  # 返回一个字典，记录每个词的出现次数


vocab = Vocab(tokens)  # 实例化类
print(list(vocab.token_to_idx.items())[0:10])

for i in range(8, 10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])

__init__: 构造函数。其中tokens为语料库中所有的词，即‘分词’中返回的列表；min_freq为最小词频筛选阈值，词频小于这个数则会被剔除；use_spcial_tokens为标志位。

padtoken:同一个batch（比如是个二维的矩阵，矩阵的每一行代表一个句子）的每个句子的长度可能不一样，所以在句子后补上若干个pad，使得和最长的句子长度一致。

无论use_special_token参数是否为真，都会使用的特殊tokenunk，用于标记未登陆词。

使用现有分词工具

上述方法有以下几个缺点:

标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了
类似“shouldn’t", "doesn’t"这样的词会被错误地处理
类似"Mr.", "Dr."这样的词会被错误地处理

于是乎，引入两个分词工具测试：spaCy和NLTK。

举一个例子：

python

deeplearning_01.pyview raw

1	text = "Mr. Chen doesn't agree with my suggestion."

spaCy

python

deeplearning_01.pyview raw

import spacy
nlp = spacy.load('en_core_web_sm')  # 选择一种language 
doc = nlp(text)
print([token.text for token in doc])

[‘Mr.’, ‘Chen’, ‘does’, “n’t”, ‘agree’, ‘with’, ‘my’, ‘suggestion’, ‘.’]

spaCy中有个重要的类language，这里导入一种语言赋给nlp（习惯命名），nlp可以直接作用于文本（可以看作一个pipeline模型，依次处理文本）。

NLTK

python

deeplearning_01.pyview raw

from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('../nltk_data')
print(word_tokenize(text))

[‘Mr.’, ‘Chen’, ‘does’, “n’t”, ‘agree’, ‘with’, ‘my’, ‘suggestion’, ‘.’]

NLTK有个tokenize的分词包。

理论基础

动手实践

读入文本

分词

建立字典

使用现有分词工具

spaCy

NLTK

附注：现有中文分词工具集合