如何使用torchtext导入NLP数据集
本篇内容主要讲解"如何使用torchtext导入NLP数据集"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"如何使用torchtext导入NLP数据集"吧!
简介
torchtext在文本数据预处理方面特别强大，但我们要知道ta能做什么、不能做什么，并如何将我们的需求用torchtext实现。虽然torchtext是为pytorch而设计的，但是也可以与keras、tensorflow等结合使用。
# 安装 !pip3 install torchtext
自然语言处理预处理的工作流程：
1、Train/Validation/Test数据集分割
2、文件数据导入（File Loading）
3、分词（Tokenization） 文本字符串切分为词语列表
4、构建词典(Vocab) 根据训练的预料数据集构建词典
5、数字映射(Numericalize/Indexify) 根据词典，将数据从词语映射成数字，方便机器学习
6、导入预训练好的词向量(word vector)
7、分批(Batch) 数据集太大的话，不能一次性让机器读取，否则机器会内存崩溃。解决办法就是将大的数据集分成更小份的数据集，分批处理
8、向量映射（Embedding Lookup） 根据预处理好的词向量数据集，将5的结果中每个词语对应的索引值变成 词语向量
上面8个步骤，torchtext实现了2-7。第一步需要我们自己diy，好在这一步没什么难度
"The quick fox jumped over a lazy dog." # 分词 ["The", "quick", "fox", "jumped", "over", "a", "lazy", "dog", "."] # 构建词典 {"The" -> 0, "quick"-> 1, "fox" -> 2, ...} # 数字映射（将每个词根据词典映射为对应的索引值） [0, 1, 2, ...] # 向量映射（按照导入的预训练好的词向量数据集，把词语映射成向量） [ [0.3, 0.2, 0.5], [0.6, 0., 0.1], [0.8, 01., 0.4], ... ]一、数据集分割
一般我们做机器学习会将数据分为训练集和测试集，而在深度学习中，需要多轮训练学习，每次的学习过程都包括训练和验证，最后再进行测试。所以需要将数据分成训练、验证和测试数据。
import pandas as pd import numpy as np def split_csv(infile, trainfile, valtestfile, seed=999, ratio=0.2): df = pd.read_csv(infile) df["text"] = df.text.str.replace("", " ") idxs = np.arange(df.shape[0]) np.random.seed(seed) np.random.shuffle(idxs) val_size = int(len(idxs) * ratio) df.iloc[idxs[:val_size], :].to_csv(valtestfile, index=False) df.iloc[idxs[val_size:], :].to_csv(trainfile, index=False) #先将sms_spam.csv数据分为train.csv和test.csv split_csv(infile='data/sms_spam.csv', trainfile='data/train.csv', valtestfile='data/test.csv', seed=999, ratio=0.2) #再将train.csv分为dataset_train.csv和dataset_valid.csv split_csv(infile='data/train.csv', trainfile='data/dataset_train.csv', valtestfile='data/dataset_valid.csv', seed=999, ratio=0.2)1.1 参数解读
split_csv(infile, trainfile, valtestfile, seed, ratio)infile:待分割的csv文件
trainfile:分割出的训练cs文件
valtestfile：分割出的测试或验证csv文件
seed:随机种子，保证每次的随机分割随机性一致
ratio:测试（验证）集占数据的比例
经过上面的操作，我们已经构建出实验所需的数据：
训练数据（这里说的是dataset_train.csv而不是train.csv）
验证数据（dataset_train.csv）
测试数据（test.csv）。
二、分词
导入的数据是字符串形式的文本，我们需要将其分词成词语列表。英文最精准的分词器如下：
import re import spacy import jieba #英文的分词器 NLP = spacy.load('en_core_web_sm') MAX_CHARS = 20000 #为了降低处理的数据规模，可以设置最大文本长度,超过的部分忽略， def tokenize1(text): text = re.sub(r"s", " ", text) if (len(text) > MAX_CHARS): text = text[:MAX_CHARS] return [ x.text for x in NLP.tokenizer(text) if x.text != " " and len(x.text)>1] #有的同学tokenize1用不了，可以使用tokenize2。 def tokenize2(text): text = re.sub(r"s", " ", text) if (len(text) > MAX_CHARS): text = text[:MAX_CHARS] return [w for w in text.split(' ') if len(w)>1] #中文的分类器比较简单 def tokenize3(text): if (len(text) > MAX_CHARS): text = text[:MAX_CHARS] return [w for w in jieba.lcut(text) if len(w)>1] print(tokenize1('Python is powerful and beautiful!')) print(tokenize2('Python is powerful and beautiful!')) print(tokenize3('Python强大而美丽！'))Run
['Python', 'is', 'powerful', 'and', 'beautiful'] ['Python', 'is', 'powerful', 'and', 'beautiful!'] ['Python', '强大', '美丽']三、 导入数据
torchtext中使用torchtext.data.TabularDataset来导入自己的数据集，并且我们需要先定义字段的数据类型才能导入。要按照csv中的字段顺序来定义字段的数据类型，我们的csv文件中有两个字段（label、text）
import pandas as pd df = pd.read_csv('data/train.csv') df.head()import torch import torchtext from torchtext import data import logging LABEL = data.LabelField(dtype = torch.float) TEXT = data.Field(tokenize = tokenize1, lower=True, fix_length=100, stop_words=None) train, valid, test = data.TabularDataset.splits(path='data', #数据所在文件夹 train='dataset_train.csv', validation='dataset_valid.csv', test = 'test.csv', format='csv', skip_header=True, fields = [('label', LABEL),('text', TEXT)]) trainRun
<torchtext.data.dataset.TabularDataset at 0x120d8ab38>
四、构建词典
根据训练（上面得到的train）的预料数据集构建词典。这两有两种构建方式，一种是常规的不使用词向量，而另一种是使用向量的。
区别仅仅在于vectors是否传入参数
vects = torchtext.vocab.Vectors(name = 'glove.6B.100d.txt', cache = 'data/') TEXT.build_vocab(train, max_size=2000, min_freq=50, vectors=vects, #vects替换为None则不使用词向量 unk_init = torch.Tensor.normal_)4.1 TEXT是Field对象，该对象的方法有
print(type(TEXT)) print(type(TEXT.vocab))Run
<class 'torchtext.data.field.Field'> <class 'torchtext.vocab.Vocab'>
词典-词语列表形式，这里只显示前20个
TEXT.vocab.itos[:20]['<unk>', '<pad>', 'to', 'you', 'the', '...', 'and', 'is', 'in', 'me', 'it', 'my', 'for', 'your', '..', 'do', 'of', 'have', 'that', 'call']词典-字典形式
TEXT.vocab.stoidefaultdict(<bound method Vocab._default_unk_index of <torchtext.vocab.Vocab object at 0x1214b1e48>>, {'<unk>': 0, '<pad>': 1, 'to': 2, 'you': 3, 'the': 4, '...': 5, 'and': 6, 'is': 7, 'in': 8, .... 'mother': 0, 'english': 0, 'son': 0, 'gradfather': 0, 'father': 0, 'german': 0)4.2 注意
train数据中生成的词典，里面有，这里有两个要注意:
是指不认识的词语都编码为
german、father等都编码为0,这是因为我们要求词典中出现的词语词频必须大于50，小于50的都统一分配一个索引值。
词语you对应的词向量
TEXT.vocab.vectors[3]tensor([-0.4989, 0.7660, 0.8975, -0.7855, -0.6855, 0.6261, -0.3965, 0.3491, 0.3333, -0.4523, 0.6122, 0.0759, 0.2253, 0.1637, 0.2810, -0.2476, 0.0099, 0.7111, -0.7586, 0.8742, 0.0031, 0.3580, -0.3523, -0.6650, 0.3845, 0.6268, -0.5154, -0.9665, 0.6152, -0.7545, -0.0124, 1.1188, 0.3572, 0.0072, 0.2025, 0.5011, -0.4405, 0.1066, 0.7939, -0.8095, -0.0156, -0.2289, -0.3420, -1.0065, -0.8763, 0.1516, -0.0853, -0.6465, -0.1673, -1.4499, -0.0066, 0.0048, -0.0124, 1.0474, -0.1938, -2.5991, 0.4053, 0.4380, 1.9332, 0.4581, -0.0488, 1.4308, -0.7864, -0.2079, 1.0900, 0.2482, 1.1487, 0.5148, -0.2183, -0.4572, 0.1389, -0.2637, 0.1365, -0.6054, 0.0996, 0.2334, 0.1365, -0.1846, -0.0477, -0.1839, 0.5272, -0.2885, -1.0742, -0.0467, -1.8302, -0.2120, 0.0298, -0.3096, -0.4339, -0.3646, -0.3274, -0.0093, 0.4721, -0.5169, -0.5918, -0.3234, 0.2005, -0.4118, 0.4054, 0.7850])4.3 计算词语的相似性
得用词向量构建特征工程时能保留更多的信息量（词语之间的关系）
这样可以看出词语的向量方向
是同义还是反义
距离远近。
而这里我们粗糙的用余弦定理计算词语之间的关系，没有近义反义关系，只能体现出距离远近（相似性）。
from sklearn.metrics.pairwise import cosine_similarity import numpy as np def simalarity(word1, word2): word_vec1 = TEXT.vocab.vectors[TEXT.vocab.stoi[word1]].tolist() word_vec2 = TEXT.vocab.vectors[TEXT.vocab.stoi[word2]].tolist() vectors = np.array([word_vec1, word_vec2]) return cosine_similarity(vectors) print(simalarity('you', 'your'))Run
[[1. 0.83483314] [0.83483314 1. ]]
五、get_dataset函数
相似的功能合并成模块，可以增加代码的可读性。这里我们把阶段性合并三四的成果get_dataset函数
from torchtext import data import torchtext import torch import logging LOGGER = logging.getLogger("导入数据") def get_dataset(stop_words=None): #定义字段的数据类型 LABEL = data.LabelField(dtype = torch.float) TEXT = data.Field(tokenize = tokenize1, lower=True, fix_length=100, stop_words=stop_words) LOGGER.debug("准备读取csv数据...") train, valid, test = data.TabularDataset.splits(path='data', #数据所在文件夹 train='dataset_train.csv', validation='dataset_valid.csv', test = 'test.csv', format='csv', skip_header=True, fields = [('label', LABEL),('text', TEXT)]) LOGGER.debug("准备导入词向量...") vectors = torchtext.vocab.Vectors(name = 'glove.6B.100d.txt', cache = 'data/') LOGGER.debug("准备构建词典...") TEXT.build_vocab( train, max_size=2000, min_freq=50, vectors=vectors, unk_init = torch.Tensor.normal_) LOGGER.debug("完成数据导入!") return train,valid, test, TEXTget_dataset函数内部参数解读
data.Field(tokenize,fix_length)定义字段
tokenize=tokenize1 使用英文的分词器tokenize1函数。
fix_length=100 让每个文本分词后的长度均为100个词；不足100的，可以填充为100。超过100的，只保留100
data.TabularDataset.splits(train, validation,test, format,skip_header,fields)读取训练验证数据，可以一次性读取多个文件
train/validation/test 训练验证测试对应的csv文件名
skip_header=True 如果csv有抬头，设置为True可以避免pytorch将抬头当成一条记录
fields = [('label', LABEL), ('text', TEXT)] 定义字段的类型，注意fields要按照csv抬头中字段的顺序设置
torchtext.vocab.Vectors(name, cache)导入词向量数据文件
name= 'glove.6B.100d.txt' 从网上下载预训练好的词向量glove.6B.100d.txt文件（该文件有6B个词，每个词向量长度为100）
cache = 'data/' 文件夹位置。glove文件存放在data文件夹内
TEXT.buildvocab(maxsize,minfreq,unkinit) 构建词典，其中
max_size=2000 设定了词典最大词语数
min_freq=50设定了词典中的词语保证最少出现50次
unkinit=torch.Tensor.normal 词典中没有的词语对应的向量统一用torch.Tensor.normal_填充
六、分批次
数据集太大的话，一次性让机器读取容易导致内存崩溃。解决办法就是将大的数据集分成更小份的数据集，分批处理
def split2batches(batch_size=32, device='cpu'): train, valid, test, TEXT = get_dataset() #datasets按顺序包含train、valid、test三部分 LOGGER.debug("准备数据分批次...") train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits((train, valid, test), batch_size = batch_size, sort = False, device = device) LOGGER.debug("完成数据分批次!") return train_iterator, valid_iterator, test_iterator, TEXT6.1参数解读
split2batches(batch_size=32, device=0)batch_size 每批次最多加入多少条评论
device device='cpu'在CPU中运行，device='gpu' 在GPU中运行。普通电脑都只有CPU的 该函数返回的是BucketIterator对象
train_iterator, valid_iterator, test_iterator, TEXT = split2batches() train_iteratorRun
<torchtext.data.iterator.BucketIterator at 0x12b0c7898>
查看train_iterator数据类型
type(train_iterator)torchtext.data.iterator.BucketIterator6.2BucketIterator对象
这里以trainiterator为例（validiterator, test_iterator都是相同的对象）。因为本例中数据有两个字段label和text，所以
获取train_iterator的dataset
train_iterator.dataset<torchtext.data.dataset.TabularDataset at 0x12e9c57b8>获取train_iterator中的第8个对象
train_iterator.dataset.examples[7]<torchtext.data.example.Example at 0x12a82dcf8>获取train_iterator中的第8个对象的lebel字段的内容
train_iterator.dataset.examples[7].label'ham'获取train_iterator中的第8个对象的text字段的内容
train_iterator.dataset.examples[7].text['were', 'trying', 'to', 'find', 'chinese', 'food', 'place', 'around', 'here']到此，相信大家对"如何使用torchtext导入NLP数据集"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
