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)]) train

Run

<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.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 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, TEXT

get_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, TEXT

6.1参数解读

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_iterator

Run

<torchtext.data.iterator.BucketIterator at 0x12b0c7898>

查看train_iterator数据类型

type(train_iterator) torchtext.data.iterator.BucketIterator

6.2BucketIterator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！这里是亿速云网站，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！