浅显理解torchtext对文本预处理的过程

Posted 2022-02-14 Icy Hunter

这里处理数据是面对英文文本及分类问题的，中文应该也差不多。

数据集：https://download.csdn.net/download/qq_52785473/78428834?spm=1001.2014.3001.5503
0积分下载。

下面案例主要是对一个数据集进行处理，作为跑流程的实例，完整的流程应该是三个数据集，其中训练集需要构建字典，其他不用构建字典，最后训练的时候直接调用迭代就可以进行训练了。

下面代码其实是学长给的代码，我涂涂改改得来的，毕竟水平不太够，只能用自己的理解来解释解释以便自己能够看的懂一点。

import pandas as pd
import os
import torchtext
from tqdm import tqdm


class mydata(object):
    def __init__(self):
        self.n_class = 2
        self.data_dir = '../datasets'

    def _generator(self, filename):  # 读取文件，取一个用一个比较节省内存
        path = os.path.join(self.data_dir, filename)  # 拼接路径
        df = pd.read_csv(path, sep='\\t', header=None)  # 读取文件
        for index, line in df.iterrows():  # 取出句子和对应标签
            sentence = line[0]
            label = line[1]
            yield sentence, label

    def load_train_data(self):  # 文件路径
        return self._generator('')

    def load_dev_data(self):
        return self._generator('dev.tsv')

    def load_test_data(self):
        return self._generator('')


class Dataset(object):
    def __init__(self, dataset: mydata, batch_size, fix_length):
        self.dataset = dataset  # 使得能够调用mydata这个类
        self.batch_size = batch_size
        self.fix_length = fix_length

    def load_data(self):
        tokenizer = lambda sentence: [x for x in sentence.split() if x != ' ']  # 定义切词工具，以空格切词且过滤空格

        # fix_length为截断，多退少补0
        # sequential为判断是否为序列，文本为True
        # 全都转换成小写
        TEXT = torchtext.data.Field(sequential=True, tokenize=tokenizer, lower=True, fix_length=self.fix_length)

        # 标签不是序列为false,且不需要创建词典
        LABEL = torchtext.data.Field(sequential=False, use_vocab=False)

        # tex, label（自己定义）能取出example对应的数据
        # Field相当于定义了一种数据类型吧
        datafield = [("text", TEXT), ("label", LABEL)]

        dev_gen = self.dataset.load_dev_data()  # 加载数据
        dev_example = [torchtext.data.Example.fromlist(it, datafield) for it in tqdm(dev_gen)]  # 封装成example对象，数据＋标签，tqdm为进度条
        # dev_example = [torchtext.data.Example.fromlist(it, datafield) for it in dev_gen]  # 只执行这个就没有进度条了，tqdm用法就明确了

        print(dev_example[0].text)  # 取出第一句话的text
        dev_data = torchtext.data.Dataset(dev_example, datafield)  # 转换成dataset类

        # 验证集其实不用字典但是因为我上传的数据为验证集的数据，因此就拿验证集作为例子了
        TEXT.build_vocab(dev_data)  # 创建字典且将词向量化
        self.vocab = TEXT.vocab

        # BucketIterator创建一个迭代器，使得数据可迭代，方便训练的时候调用
        self.dev_iterator = torchtext.data.BucketIterator(
            (dev_gen),
            batch_size=self.batch_size,
            sort_key=lambda x: len(x.text),
            shuffle=False
        )

        print(f"load len(dev_data) dev examples")


if __name__ == '__main__':
    data_class = mydata()
    datasets = Dataset(data_class, 10, 10)
    datasets.load_data()