tsvcsvtxtjson格式文件的处理方法是怎样的

tsv csv txt json格式文件的处理方法是怎样的，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

创新互联公司于2013年创立，先为甘肃等服务建站，甘肃等地企业，进行企业商务咨询服务。为甘肃企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。

对于tsv、csv、txt以及json类型的数据的处理方法一般可以使用torchtext中的TabularDataset进行处理;

数据的要求：

1. tsv： 第一行fields字段名，使用tab隔开，其它行为数据，每个字段直接的数据使用tab隔开；

2. csv: 第一行fields字段，其它行为数据

3. json: 字典类型，每一行为一个字典，字典的key为fields，values为数据。

本次采用以下tsv格式的数据集：

sentiment-analysis-on-movie-reviews.zip

数据集的格式：

注意：如果test数据集中缺少某些字段，使用torchtext处理时会有问题，因此要保证train val和test数据集要处理的字段必需相同。

方法一： torchtext

任务：构造一个翻译类型的数据集

inputs:[sequence english]

target:[sequence chinese]

from torchtext.data import Field, TabularDataset, BucketIterator
import torch


batch_size = 6
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')


tokenize_x = lambda x: x.split()
tokenize_y = lambda y: y

TEXT = Field(sequential=True, use_vocab=True, tokenize=tokenize_x, lower=True,
                batch_first=True, init_token='', eos_token='')

LABEL = Field(sequential=False, use_vocab=False, tokenize=tokenize_y,
                batch_first=True, init_token=None, eos_token=None)

# fields = {'english': ('en', ENGLISH), 'chinese': ('cn', CHINESE)}
# The first of element tuple was tsv's fields_name
fields = [("PhraseId", None), ("SentenceId", None), ("Phrase", TEXT), ("Sentiment", LABEL)]


train_data, test_data = TabularDataset.splits(path='data',
                                              train='movie-sentiment_train.tsv',
                                              test='movie-sentiment_test.tsv',
                                              format='tsv',
                                              skip_header=True,
                                              fields=fields)

TEXT.build_vocab(train_data, max_size=10000, min_freq=2)

VOCAB_SIZE = len(TEXT.vocab)

# The operation of vocabulary
print("vocabulary size: ", VOCAB_SIZE)
print(TEXT.vocab.freqs)
print(TEXT.vocab.itos[:10])

for i, v in enumerate(TEXT.vocab.stoi):
    if i == 10:
        break
    print(v)

print(TEXT.vocab.stoi['apple'])
print(' indx is ', TEXT.vocab.stoi[''])
print(' indx is ', TEXT.vocab.stoi[''])

UNK_STR = TEXT.unk_token
PAD_STR = TEXT.pad_token
UNK_IDX = TEXT.vocab.stoi[UNK_STR]
PAD_IDX = TEXT.vocab.stoi[PAD_STR]

print(f'{UNK_STR} index is {UNK_IDX}')
print(f'{PAD_STR} index is {PAD_IDX}')

# The operation of datasets
print(len(train_data))
print(train_data[0].__dict__.keys())
print(train_data[0].__dict__.values())
# vars return attribute of object
print(vars(train_data.examples[0]))
print(train_data[0].Phrase)
print(train_data[0].Sentiment)


"""
batch_sizes: Tuple of batch sizes to use for the different splits, or None to use the same batch_size for all splits.
"""
train_iterator, test_iterator = BucketIterator.splits((train_data, test_data),
                                                      batch_size=32,
                                                      batch_sizes=None,
                                                      device=device,
                                                      repeat=False,
                                                      # shuffle=True,
                                                      sort_key=lambda x: len(x.Phrase),
                                                      sort=False,
                                                      sort_within_batch=True)
for batch in train_iterator:
    print(batch.Phrase.shape)
    print([TEXT.vocab.itos[idx] for idx in batch.Phrase[0]])
    print(batch.Sentiment)
    break

如果只有一个文本数据需要处理，将splits方法去除，修改以下初始化参数，修改的代码如下：

fields = [("PhraseId", None), ("SentenceId", None), ("Phrase", TEXT), ("Sentiment", LABEL)]


train_data = TabularDataset(path='data/movie-sentiment_train.tsv',
                            format='tsv',
                            skip_header=True,
                            fields=fields)

train_iterator = BucketIterator(train_data,
                                batch_size=batch_size,
                                device=device,
                                shuffle=False,
                                repeat = False,
                                sort_key=lambda x: len(x.Phrase),
                                sort_within_batch=False)

fields是否需要use_vocab为True，即是否需要建立一个字典：

对于inputs数据而言，都需要进行词典的建立，而对于labels而言，如果labels是数字类型的数据（实际是string类型），通常在iterator会使用int()强制转换成longTensor()类型，如果labels不是数字类型的数据，需要建立一个词典，这样在iterator会字段转换成longTensor类型。

关于TabularDataset中fieds字段传入list和dict的区别：

list

构造fields时必须按照数据集中fields字段的顺序依次构造，优点: 数据集第一行可以不写字段名，缺点：train test val数据集所有字段必须完全相同。

TabularDataset中skip_header字段要根据数据集的第一行是否有fields名称设置成True或者False。

fields = [("PhraseId", None), ("SentenceId", None), ("Phrase", TEXT), ("Sentiment", LABEL)]

dict

构造fields时可以根据自己的需要选择性的选择字段，优点：train test val数据集所有字段可以不完全相同，缺点：数据集的第一行必须有字段名称。

TabularDataset中skip_header字段必须是False。

fields = {'Phrase': ('Phrase', TEXT), 'Sentiment': ('Sentiment', LABEL)}

BucketIterator中sort和shuffle问题：

shuffle参数用于是否打乱每个batch的取出顺序，推荐使用默认参数，即train数据集打乱，其它数据集不打乱；
sort_key=lambda x: len(x.Phrase)： 按照何种方式排序；
sort: 对所有数据集进行降序排序；推荐False.
sort_within_batch：对每个batch进行升序排序；推荐使用True.

方法二：手撕代码

任务：构造一个翻译类型的数据集

inputs:[english, chinese]

target:[(english, en_len, chinese, cn_len), (...)]

步骤：

1. 分词生成两维的列表

2. 分别创建词典

3. 根据词典使用索引替换英文和中文词

4. 构造batch

• 根据英文句子个数和batchSize构造batch的索引组

• 根据创建的batch索引，构造batch数据，并返回每句话的长度list

import torch
import numpy as np
import nltk
import jieba
from collections import Counter


UNK_IDX = 0
PAD_IDX = 1
batch_size = 64

train_file = 'data/translate_train.txt'
dev_file = 'data/translate_dev.txt'

"""
数据格式: english \t  chinese
读取英文中文翻译文件, 句子开头和结尾分别加上  
返回两个列表
"""
def load_data(in_file):
    cn = []
    en = []
    with open(in_file, 'r', encoding='utf-8') as f:
        for line in f:
            line = line.strip().split("\t")
            en.append(['BOS'] + nltk.word_tokenize(line[0].lower()) + ['EOS'])
            # cn.append(['BOS'] + [c for c in line[1]] + ['EOS'])
            cn.append(['BOS'] + jieba.lcut(line[1]) + ['EOS'])
    return en, cn

"""
创建词典
"""
def build_dict(sentences, max_words=50000):
    word_count = Counter()
    for sentence in sentences:
        for s in sentence:
            word_count[s] += 1
    ls = word_count.most_common(max_words)
    total_words = len(ls) + 2
    word_dict = {w[0]: index for index, w in enumerate(ls, 2)}
    word_dict['UNK'] = UNK_IDX
    word_dict['PAD'] = PAD_IDX
    return word_dict, total_words


# 把句子变成索引
def encode(en_sentences, cn_sentences, en_dict, cn_dict, sort_by_len=True):
    """
    Encode the sequences.
    """
    length = len(en_sentences)
    # 将句子的词转换成词典对应的索引
    out_en_sentences = [[en_dict.get(w, 0) for w in sent] for sent in en_sentences]
    out_cn_sentences = [[cn_dict.get(w, 0) for w in sent] for sent in cn_sentences]

    def len_argsort(seq):
        return sorted(range(len(seq)), key=lambda x: len(seq[x]))

    if sort_by_len:
        sorted_index = len_argsort(out_en_sentences)
        out_en_sentences = [out_en_sentences[i] for i in sorted_index]
        out_cn_sentences = [out_cn_sentences[i] for i in sorted_index]

    return out_en_sentences, out_cn_sentences


def get_minibatches(n, minibatch_size, shuffle=False):
    idx_list = np.arange(0, n, minibatch_size) # [0, 1, ..., n-1]
    if shuffle:
        np.random.shuffle(idx_list)
    minibatches = []
    for idx in idx_list:
        minibatches.append(np.arange(idx, min(idx + minibatch_size, n)))
    return minibatches

def prepare_data(seqs, padding_idx):
    lengths = [len(seq) for seq in seqs]
    n_samples = len(seqs)
    max_len = np.max(lengths)

    x = np.full((n_samples, max_len), padding_idx).astype('int32')
    x_lengths = np.array(lengths).astype("int32")
    for idx, seq in enumerate(seqs):
        x[idx, :lengths[idx]] = seq
    return x, x_lengths #x_mask


def gen_examples(en_sentences, cn_sentences, batch_size):
    minibatches = get_minibatches(len(en_sentences), batch_size)
    all_ex = []
    for minibatch in minibatches:
        mb_en_sentences = [en_sentences[t] for t in minibatch]
        mb_cn_sentences = [cn_sentences[t] for t in minibatch]
        mb_x, mb_x_len = prepare_data(mb_en_sentences, PAD_IDX)
        mb_y, mb_y_len = prepare_data(mb_cn_sentences, PAD_IDX)
        all_ex.append((mb_x, mb_x_len, mb_y, mb_y_len))
    return all_ex


train_en, train_cn = load_data(train_file)
dev_en, dev_cn = load_data(dev_file)

en_dict, en_total_words = build_dict(train_en)
cn_dict, cn_total_words = build_dict(train_cn)

inv_en_dict = {v: k for k, v in en_dict.items()}
inv_cn_dict = {v: k for k, v in cn_dict.items()}


train_en, train_cn = encode(train_en, train_cn, en_dict, cn_dict)
dev_en, dev_cn = encode(dev_en, dev_cn, en_dict, cn_dict)

print(" ".join([inv_cn_dict[i] for i in train_cn[100]]))
print(" ".join([inv_en_dict[i] for i in train_en[100]]))


train_data = gen_examples(train_en, train_cn, batch_size)
dev_data = gen_examples(dev_en, dev_cn, batch_size)

print(len(train_data))
print(train_data[0])

看完上述内容，你们掌握tsv csv txt json格式文件的处理方法是怎样的的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！