文本预处理

文本可以认为是一个时间序列，但我们不能够将其以字符或字符串的形式输入模型中，而应该将其转为实数或向量、矩阵的形式。

在此之前，我们需要先将文本进行预处理，这些步骤通常包括：

1. 将文本作为字符串加载到内存中
2. 将字符串拆分为词元（token），如单词和字符
3. 建立一个词表，将拆分的词元映射到数字索引
4. 将文本转换为数字索引序列，方便模型操作

下面是一个实例：

import collections
import re

def read_time_machine():
    with open('./data/timemachine.txt') as f:
        lines = f.readlines()
    # 去除非字母的数据，全部转为空格
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

# 将文本进行词元化
def tokenize(lines, token='word'):
    '''将文本拆分为单词或字符词元'''
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知类型词元：' + token)

def count_corpus(tokens):
    '''统计词元的频率'''
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    # 使用collections.Counter统计词频
    return collections.Counter(tokens) # 返回一个字典，key为词元，value为该词元出现的次数


class Vocab():
    '''文本词表'''
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        '''
        tokens：列表，包含了所有词元
        min_freq：整数，表示词元的最小出现频率，低于这个频率的词元不会被加入词汇表
        reserved_tokens：列表，包含了需要保留的特定词元，例如<unk>（未知词元）
        '''
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        
        # 统计词元频率
        counter = count_corpus(tokens)
        # 按出现频率排序，根据词元频率字典的value降序排序
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)

        # 初始化，未知词元的索引为0，将保留词元接入
        self.idx_to_token = ['<unk>'] + reserved_tokens # 未知词和保留词元
        self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)}

        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)
    
    def __getitem__(self, tokens):
        # 处理单个词元，返回对应索引，找不到时返回self.unk
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        # 处理词元列表或元组，递归调用函数得到索引列表
        return [self.__getitem__(token) for token in tokens]
    
    def to_tokens(self, indices):
        # 处理单个索引，直接返回对应的词元
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        # 处理索引列表或元组，递归调用函数得到词元列表
        return [self.to_tokens(index) for index in indices]
    
    # 使用 @property 装饰器，使方法可以像属性一样访问
    @property
    def unk(self):
        # 未知词元的索引为0
        return 0
    
    @property
    def tokens_freqs(self):
        return self._token_freqs

# 整合所有功能
def load_corpus_time_machine(max_tokens=-1):
    '''返回timemachine数据集的词元索引列表和词表'''
    # 读取数据
    lines = read_time_machine()
    
    # 文本词元化
    tokens = tokenize(lines)
    
    # 构建词元与索引的关系，给每个词元一个索引标号
    vocab = Vocab(tokens)

    # 展平tokens
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]

    return corpus, vocab