文本預(yù)處理

文本預(yù)處理(pytorth實(shí)現(xiàn)):

1.讀入文本

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]
        # strip去掉了句頭查刻,句尾的空格攀圈。low將大寫(xiě)變?yōu)樾?xiě)
        #re.sub 正則表達(dá)式:非英文字符構(gòu)成空格
    return lines


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

2.分詞

?不采取傳統(tǒng)的分詞方法屿聋,因?yàn)闀?huì)丟語(yǔ)意信息,因此直接使用現(xiàn)有的工具進(jìn)行很好的分詞浅缸。比如

spaCy和 NLTK:

import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))

3.建立字典

? 為了方便模型處理,我們需要將字符串轉(zhuǎn)換為數(shù)字魄咕。因此我們需要先構(gòu)建一個(gè)字典(vocabulary)衩椒,將每個(gè)詞映射到一個(gè)唯一的索引編號(hào)。

class Vocab(object):
    #定義有一個(gè)類哮兰,提供詞的索引編號(hào)毛萌。
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # :去重, 統(tǒng)計(jì)詞頻
        self.token_freqs = list(counter.items())
        self.idx_to_token = []#控制列表喝滞,記錄需要維護(hù)的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]#展平得到一維的列表
    return collections.Counter(tokens)  # 返回一個(gè)字典阁将,記錄每個(gè)詞的出現(xiàn)次數(shù)

4.將詞轉(zhuǎn)換為索引

for i in range(8, 10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市右遭,隨后出現(xiàn)的幾起案子做盅,更是在濱河造成了極大的恐慌,老刑警劉巖窘哈,帶你破解...
    沈念sama閱讀 211,348評(píng)論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件吹榴,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡滚婉,警方通過(guò)查閱死者的電腦和手機(jī)图筹,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,122評(píng)論 2 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)满哪,“玉大人婿斥,你說(shuō)我怎么就攤上這事∩谘迹” “怎么了民宿?”我有些...
    開(kāi)封第一講書(shū)人閱讀 156,936評(píng)論 0 347
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)像鸡。 經(jīng)常有香客問(wèn)我活鹰,道長(zhǎng),這世上最難降的妖魔是什么只估? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,427評(píng)論 1 283
  • 正文 為了忘掉前任志群,我火速辦了婚禮,結(jié)果婚禮上蛔钙,老公的妹妹穿的比我還像新娘锌云。我一直安慰自己,他們只是感情好吁脱,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,467評(píng)論 6 385
  • 文/花漫 我一把揭開(kāi)白布桑涎。 她就那樣靜靜地躺著,像睡著了一般兼贡。 火紅的嫁衣襯著肌膚如雪攻冷。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 49,785評(píng)論 1 290
  • 那天遍希,我揣著相機(jī)與錄音等曼,去河邊找鬼。 笑死凿蒜,一個(gè)胖子當(dāng)著我的面吹牛禁谦,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播废封,決...
    沈念sama閱讀 38,931評(píng)論 3 406
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼枷畏,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了虱饿?” 一聲冷哼從身側(cè)響起拥诡,我...
    開(kāi)封第一講書(shū)人閱讀 37,696評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎氮发,沒(méi)想到半個(gè)月后渴肉,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,141評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡爽冕,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,483評(píng)論 2 327
  • 正文 我和宋清朗相戀三年仇祭,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片颈畸。...
    茶點(diǎn)故事閱讀 38,625評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡乌奇,死狀恐怖没讲,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情礁苗,我是刑警寧澤爬凑,帶...
    沈念sama閱讀 34,291評(píng)論 4 329
  • 正文 年R本政府宣布,位于F島的核電站试伙,受9級(jí)特大地震影響嘁信,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜疏叨,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,892評(píng)論 3 312
  • 文/蒙蒙 一潘靖、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧蚤蔓,春花似錦卦溢、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,741評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至涮坐,卻和暖如春凄贩,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背袱讹。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,977評(píng)論 1 265
  • 我被黑心中介騙來(lái)泰國(guó)打工疲扎, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人捷雕。 一個(gè)月前我還...
    沈念sama閱讀 46,324評(píng)論 2 360
  • 正文 我出身青樓椒丧,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親救巷。 傳聞我的和親對(duì)象是個(gè)殘疾皇子壶熏,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,492評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容