UniTok V3: 类SQL数据预处理工具包

Updated on 2023.11.04

1. 简介

UniTok 是史上第一个类SQL的数据预处理工具包，提供了一整套的数据封装和编辑工具。

UniTok 主要包括两大组件：负责统一数据处理的UniTok 和 负责数据读取和二次编辑的UniDep：

• UniTok 通过分词器（Tokenizers）和数据列（Columns）等组件将生数据（Raw Data）进行分词与ID化操作，并最终以numpy数组格式存储为一张数据表。
• UniDep 读取由UniTok生成的数据表以及元数据（如词表信息），可以直接与Pytorch的Dataset结合使用，也可以完成二次编辑、和其他数据表合并、导出等操作。
• 在3.1.9版本后，我们推出Fut 组件，它是UniTok的替代品，可以更快速地完成数据预处理。

2. 安装

使用pip安装：

pip install unitok>=3.4.8

3. 主要功能

3.1 UniTok

UniTok提供了一整套的数据预处理工具，包括不同类型的分词器、数据列的管理等。具体来说，UniTok 提供了多种类型的分词器，可以满足不同类型数据的分词需求。每个分词器都继承自 BaseTok 类。

此外，UniTok 提供了 Column 类来管理数据列。每个 Column 对象包含一个分词器（Tokenizer）和一个序列操作器（SeqOperator）。

我们以新闻推荐系统场景为例，数据集可能包含以下部分：

• 新闻内容数据(news.tsv)：每一行是一条新闻，包含新闻ID、新闻标题、摘要、类别、子类别等多个特征，用\t分隔。
• 用户历史数据(user.tsv)：每一行是一位用户，包含用户ID和用户历史点击新闻的ID列表，新闻ID用 分隔。
• 交互数据：包含训练(train.tsv)、验证(dev.tsv)和测试数据(test.tsv)。每一行是一条交互记录，包含用户ID、新闻ID、是否点击，用\t分隔。

我们首先分析以上每个属性的数据类型：

文件	属性	类型	样例	备注
news.tsv	nid	str	N1234	新闻ID，唯一标识
news.tsv	title	str	After 10 years, the iPhone is still the best smartphone in the world	新闻标题，通常用BertTokenizer分词
news.tsv	abstract	str	The iPhone 11 Pro is the best smartphone you can buy right now.	新闻摘要，通常用BertTokenizer分词
news.tsv	category	str	Technology	新闻类别，不可分割
news.tsv	subcat	str	Mobile	新闻子类别，不可分割
user.tsv	uid	str	U1234	用户ID，唯一标识
user.tsv	history	str	N1234 N1235 N1236	用户历史，被 分割
train.tsv	uid	str	U1234	用户ID，与user.tsv一致
train.tsv	nid	str	N1234	新闻ID，与news.tsv一致
train.tsv	label	int	1	是否点击，0表示未点击，1表示点击

我们可以对以上属性进行分类：

属性	类型	预设分词器	备注
nid, uid, index	str	IdTok	唯一标识
title, abstract	str	BertTok	指定参数vocab_dir="bert-base-uncased"
category, subcat	str	EntityTok	不可分割
history	str	SplitTok	指定参数sep=' '
label	int	NumberTok	指定参数vocab_size=2，只有0和1两种情况

通过以下代码，我们可以针对每个文件构建一个UniTok对象：

from UniTok import UniTok, Column, Vocab
from UniTok.tok import IdTok, BertTok, EntTok, SplitTok, NumberTok

# Create a news id vocab, commonly used in news data, history data, and interaction data.
nid_vocab = Vocab('nid')

# Create a bert tokenizer, commonly used in tokenizing title and abstract.
eng_tok = BertTok(vocab_dir='bert-base-uncased', name='eng')

# Create a news UniTok object.
news_ut = UniTok()

# Add columns to the news UniTok object.
news_ut.add_col(Column(
    # Specify the vocab. The column name will be set to 'nid' automatically if not specified.
    tok=IdTok(vocab=nid_vocab),
)).add_col(Column(
    # The column name will be set to 'title', rather than the name of eng_tok 'eng'.
    name='title',
    tok=eng_tok,
    max_length=20,  # Specify the max length. The exceeding part will be truncated.
)).add_col(Column(
    name='abstract',
    tok=eng_tok,  # Abstract and title use the same tokenizer.
    max_length=30,
)).add_col(Column(
    name='category',
    tok=EntTok,  # Vocab will be created automatically, and the vocab name will be set to 'category'.
)).add_col(Column(
    name='subcat',
    tok=EntTok,  # Vocab will be created automatically, and the vocab name will be set to 'subcat'.
))

# Read the data file.
news_ut.read('news.tsv', sep='\t')

# Tokenize the data.
news_ut.tokenize() 

# Store the tokenized data.
news_ut.store('data/news')

# Create a user id vocab, commonly used in user data and interaction data.
uid_vocab = Vocab('uid')  # 在用户数据和交互数据中都会用到

# Create a user UniTok object.
user_ut = UniTok()

# Add columns to the user UniTok object.
user_ut.add_col(Column(
    tok=IdTok(vocab=uid_vocab),
)).add_col(Column(
    name='history',
    tok=SplitTok(sep=' '),  # The news id in the history data is separated by space.
))

# Read the data file.
user_ut.read('user.tsv', sep='\t') 

# Tokenize the data.
user_ut.tokenize() 

# Store the tokenized data.
user_ut.store('data/user')


def inter_tokenize(mode):
    # Create an interaction UniTok object.
    inter_ut = UniTok()
    
    # Add columns to the interaction UniTok object.
    inter_ut.add_index_col(
        # The index column in the interaction data is automatically generated, and the tokenizer does not need to be specified.
    ).add_col(Column(
        # Align with the uid column in user_ut.
        tok=EntTok(vocab=uid_vocab), 
    )).add_col(Column(
        # Align with the nid column in news_ut.
        tok=EntTok(vocab=nid_vocab),  
    )).add_col(Column(
        name='label',
        # The label column in the interaction data only has two values, 0 and 1.
        tok=NumberTok(vocab_size=2),  # NumberTok is supported by UniTok >= 3.0.11.
    ))

    # Read the data file.
    inter_ut.read(f'{mode}.tsv', sep='\t')
    
    # Tokenize the data.
    inter_ut.tokenize() 
    
    # Store the tokenized data.
    inter_ut.store(mode)

    
inter_tokenize('data/train')
inter_tokenize('data/dev')
inter_tokenize('data/test')

3.2 UniDep

UniDep 是一个数据依赖处理类，可以用于加载和访问 UniTok 预处理后的数据。UniDep 包括词汇表（Vocabs），元数据（Meta）等。

Vocabs 类是用来集中管理所有的词汇表的。每个 Vocab 对象包含了对象到索引的映射，索引到对象的映射，以及一些其它的属性和方法。

Meta 类用来管理元数据，包括加载、保存和升级元数据。

以下是一个简单的使用示例：

from UniTok import UniDep

# Load the data.
dep = UniDep('data/news')

# Get sample size.
print(len(dep))

# Get the first sample.
print(dep[0])