使用torchtext導入NLP數據集的操作
如果你是pytorch的用戶，可能你會很熟悉pytorch生態圈中專門預處理圖像數據集的torchvision庫。
從torchtext這個名字我們也能大概猜到該庫是pytorch圈中用來預處理文本數據集的庫，但這方面的教程網絡上比較少，今天我就講講這個特別有用的文本分析庫。
簡介
torchtext在文本數據預處理方面特別強大，但我們要知道ta能做什麼、不能做什麼，並如何將我們的需求用torchtext實現。雖然torchtext是為pytorch而設計的，但是也可以與keras、tensorflow等結合使用。
官方文檔地址 https://torchtext.readthedocs.io/en/latest/index.html
# 安裝 !pip3 install torchtext
自然語言處理預處理的工作流程：
1、Train/Validation/Test數據集分割
2、文件數據導入（File Loading）
3、分詞（Tokenization） 文本字符串切分為詞語列表
4、構建詞典(Vocab) 根據訓練的預料數據集構建詞典
5、數字映射(Numericalize/Indexify) 根據詞典，將數據從詞語映射成數字，方便機器學習
6、導入預訓練好的詞向量(word vector)
7、分批(Batch) 數據集太大的話，不能一次性讓機器讀取，否則機器會內存崩潰。解決辦法就是將大的數據集分成更小份的數據集，分批處理
8、向量映射（Embedding Lookup） 根據預處理好的詞向量數據集，將5的結果中每個詞語對應的索引值變成 詞語向量
上面8個步驟，torchtext實現瞭2-7。第一步需要我們自己diy，好在這一步沒什麼難度
"The quick fox jumped over a lazy dog."
# 分詞
["The", "quick", "fox", "jumped", "over", "a", "lazy", "dog", "."]
# 構建詞典
{"The" -> 0,
"quick"-> 1,
"fox" -> 2,
...}
# 數字映射（將每個詞根據詞典映射為對應的索引值）
[0, 1, 2, ...]
# 向量映射（按照導入的預訓練好的詞向量數據集，把詞語映射成向量）
[
[0.3, 0.2, 0.5],
[0.6, 0., 0.1],
[0.8, 01., 0.4],
...
]
一、數據集分割
一般我們做機器學習會將數據分為訓練集和測試集，而在深度學習中，需要多輪訓練學習，每次的學習過程都包括訓練和驗證，最後再進行測試。所以需要將數據分成訓練、驗證和測試數據。
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("\n", " ")
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)
#先將sms_spam.csv數據分為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)
#再將train.csv分為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 參數解讀
split_csv(infile, trainfile, valtestfile, seed, ratio)
infile:待分割的csv文件
trainfile:分割出的訓練cs文件
valtestfile：分割出的測試或驗證csv文件
seed:隨機種子，保證每次的隨機分割隨機性一致
ratio:測試（驗證）集占數據的比例
經過上面的操作，我們已經構建出實驗所需的數據：
訓練數據（這裡說的是dataset_train.csv而不是train.csv）
驗證數據（dataset_train.csv）
測試數據（test.csv）。
二、分詞
導入的數據是字符串形式的文本，我們需要將其分詞成詞語列表。英文最精準的分詞器如下：
import re
import spacy
import jieba
#英文的分詞器
NLP = spacy.load('en_core_web_sm')
MAX_CHARS = 20000 #為瞭降低處理的數據規模，可以設置最大文本長度,超過的部分忽略，
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]
#有的同學tokenize1用不瞭，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]
#中文的分類器比較簡單
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強大而美麗！'))
Run
['Python', 'is', 'powerful', 'and', 'beautiful'] ['Python', 'is', 'powerful', 'and', 'beautiful!'] ['Python', '強大', '美麗']
三、 導入數據
torchtext中使用torchtext.data.TabularDataset來導入自己的數據集，並且我們需要先定義字段的數據類型才能導入。要按照csv中的字段順序來定義字段的數據類型，我們的csv文件中有兩個字段（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', #數據所在文件夾
train='dataset_train.csv',
validation='dataset_valid.csv',
test = 'test.csv',
format='csv',
skip_header=True,
fields = [('label', LABEL),('text', TEXT)])
train
Run
<torchtext.data.dataset.TabularDataset at 0x120d8ab38>
四、構建詞典
根據訓練（上面得到的train）的預料數據集構建詞典。這兩有兩種構建方式，一種是常規的不使用詞向量，而另一種是使用向量的。
區別僅僅在於vectors是否傳入參數
vects = torchtext.vocab.Vectors(name = 'glove.6B.100d.txt',
cache = 'data/')
TEXT.build_vocab(train,
max_size=2000,
min_freq=50,
vectors=vects, #vects替換為None則不使用詞向量
unk_init = torch.Tensor.normal_)
4.1 TEXT是Field對象，該對象的方法有
print(type(TEXT)) print(type(TEXT.vocab))
Run
<class 'torchtext.data.field.Field'> <class 'torchtext.vocab.Vocab'>
詞典-詞語列表形式，這裡隻顯示前20個
TEXT.vocab.itos[:20]
['<unk>', '<pad>', 'to', 'you', 'the', '...', 'and', 'is', 'in', 'me', 'it', 'my', 'for', 'your', '..', 'do', 'of', 'have', 'that', 'call']
詞典-字典形式
TEXT.vocab.stoi
defaultdict(<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 註意
train數據中生成的詞典，裡面有，這裡有兩個要註意:
是指不認識的詞語都編碼為
german、father等都編碼為0,這是因為我們要求詞典中出現的詞語詞頻必須大於50，小於50的都統一分配一個索引值。
詞語you對應的詞向量
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 計算詞語的相似性
得用詞向量構建特征工程時能保留更多的信息量（詞語之間的關系）
這樣可以看出詞語的向量方向
是同義還是反義
距離遠近。
而這裡我們粗糙的用餘弦定理計算詞語之間的關系，沒有近義反義關系，隻能體現出距離遠近（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函數
相似的功能合並成模塊，可以增加代碼的可讀性。這裡我們把階段性合並三四的成果get_dataset函數
from torchtext import data
import torchtext
import torch
import logging
LOGGER = logging.getLogger("導入數據")
def get_dataset(stop_words=None):
#定義字段的數據類型
LABEL = data.LabelField(dtype = torch.float)
TEXT = data.Field(tokenize = tokenize1,
lower=True,
fix_length=100,
stop_words=stop_words)
LOGGER.debug("準備讀取csv數據...")
train, valid, test = data.TabularDataset.splits(path='data', #數據所在文件夾
train='dataset_train.csv',
validation='dataset_valid.csv',
test = 'test.csv',
format='csv',
skip_header=True,
fields = [('label', LABEL),('text', TEXT)])
LOGGER.debug("準備導入詞向量...")
vectors = torchtext.vocab.Vectors(name = 'glove.6B.100d.txt',
cache = 'data/')
LOGGER.debug("準備構建詞典...")
TEXT.build_vocab(
train,
max_size=2000,
min_freq=50,
vectors=vectors,
unk_init = torch.Tensor.normal_)
LOGGER.debug("完成數據導入!")
return train,valid, test, TEXT
get_dataset函數內部參數解讀
data.Field(tokenize,fix_length)定義字段
tokenize=tokenize1 使用英文的分詞器tokenize1函數。
fix_length=100 讓每個文本分詞後的長度均為100個詞；不足100的，可以填充為100。超過100的，隻保留100
data.TabularDataset.splits(train, validation,test, format,skip_header,fields)讀取訓練驗證數據，可以一次性讀取多個文件
train/validation/test 訓練驗證測試對應的csv文件名
skip_header=True 如果csv有抬頭，設置為True可以避免pytorch將抬頭當成一條記錄
fields = [(‘label’, LABEL), (‘text’, TEXT)] 定義字段的類型，註意fields要按照csv抬頭中字段的順序設置
torchtext.vocab.Vectors(name, cache)導入詞向量數據文件
name= ‘glove.6B.100d.txt’ 從網上下載預訓練好的詞向量glove.6B.100d.txt文件（該文件有6B個詞，每個詞向量長度為100）
cache = ‘data/’ 文件夾位置。glove文件存放在data文件夾內
TEXT.buildvocab(maxsize,minfreq,unkinit) 構建詞典，其中
max_size=2000 設定瞭詞典最大詞語數
min_freq=50設定瞭詞典中的詞語保證最少出現50次
unkinit=torch.Tensor.normal 詞典中沒有的詞語對應的向量統一用torch.Tensor.normal_填充
六、分批次
數據集太大的話，一次性讓機器讀取容易導致內存崩潰。解決辦法就是將大的數據集分成更小份的數據集，分批處理
def split2batches(batch_size=32, device='cpu'):
train, valid, test, TEXT = get_dataset() #datasets按順序包含train、valid、test三部分
LOGGER.debug("準備數據分批次...")
train_iterator, valid_iterator, test_iterator = data.BucketIterator.splits((train, valid, test),
batch_size = batch_size,
sort = False,
device = device)
LOGGER.debug("完成數據分批次!")
return train_iterator, valid_iterator, test_iterator, TEXT
6.1參數解讀
split2batches(batch_size=32, device=0)
batch_size 每批次最多加入多少條評論
device device=’cpu’在CPU中運行，device=’gpu’ 在GPU中運行。普通電腦都隻有CPU的 該函數返回的是BucketIterator對象
train_iterator, valid_iterator, test_iterator, TEXT = split2batches() train_iterator
Run
<torchtext.data.iterator.BucketIterator at 0x12b0c7898>
查看train_iterator數據類型
type(train_iterator) torchtext.data.iterator.BucketIterator
6.2BucketIterator對象
這裡以trainiterator為例（validiterator, test_iterator都是相同的對象）。因為本例中數據有兩個字段label和text，所以
獲取train_iterator的dataset
train_iterator.dataset <torchtext.data.dataset.TabularDataset at 0x12e9c57b8>
獲取train_iterator中的第8個對象
train_iterator.dataset.examples[7] <torchtext.data.example.Example at 0x12a82dcf8>
獲取train_iterator中的第8個對象的lebel字段的內容
train_iterator.dataset.examples[7].label 'ham'
獲取train_iterator中的第8個對象的text字段的內容
train_iterator.dataset.examples[7].text ['were', 'trying', 'to', 'find', 'chinese', 'food', 'place', 'around', 'here']
總結
到這裡我們已經學習瞭torchtext的常用知識。使用本代碼要註意：
我們假設數據集是csv文件，torchtext可以還可以處理tsv、json。但如果你想使用本代碼，請先轉為csv
本教程的csv文件隻有兩個字段，label和text。如果你的數據有更多的字段，記得再代碼中增加字段定義
本教程默認場景是英文，且使用詞向量。所以記得對應位置下載本教程的glove.6B.100d.txt。
glove下載地址https://nlp.stanford.edu/projects/glove/
以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。
推薦閱讀：
- Pytorch技法之繼承Subset類完成自定義數據拆分
- pytorch中關於distributedsampler函數的使用
- 使用Python和scikit-learn創建混淆矩陣的示例詳解
- 詳解pytorch的多GPU訓練的兩種方式
- Pytorch實現圖像識別之數字識別(附詳細註釋)