如何查找加载 .txt 文件时发生的 IndexError 的原因并解决？ Python

Question

我正在尝试训练用于机器翻译的序列到序列模型。我使用了一个公开可用的.txt 数据集，它有两列，从英语到德语阶段（每行一对，用一个标签分隔语言）：http://www.manythings.org/anki/deu-eng.zip 这很好用。但是，在尝试使用自己的数据集时遇到了问题。

我自己的DataFrame 看起来像这样：

    Column 1    Column 2
0   English a   German a
1   English b   German b
2   English c   German c
3   English d   German d
4   ...         ...

为了在同一个脚本中使用它，我将这个 DataFrame 保存到一个 .txt 文件中，如下所示（目的是再次获得每行一对，并用制表符分隔语言）：

df.to_csv("dataset.txt", index=False, sep='\t')

问题出现在清理数据的代码中：

# load doc into memory
def load_doc(filename):
# open the file as read only
    file = open(filename, mode='rt', encoding='utf-8')
    # read all text
    text = file.read()
    # close the file
    file.close()
    return text

# split a loaded document into sentences
def to_pairs(doc):
    lines = doc.strip().split('\n')
    pairs = [line.split('\t') for line in lines]  

# clean a list of lines
 def clean_pairs(lines):
    cleaned = list()
    # prepare regex for char filtering
    re_print = re.compile('[^%s]' % re.escape(string.printable))
    # prepare translation table for removing punctuation
    table = str.maketrans('', '', string.punctuation)
    for pair in lines:
        clean_pair = list()
        for line in pair:
            # normalize unicode characters
            line = normalize('NFD', line).encode('ascii', 'ignore')
            line = line.decode('UTF-8')     
            # tokenize on white space
            line = line.split()
            # convert to lowercase
            line = [word.lower() for word in line]       
            # remove punctuation from each token
            line = [word.translate(table) for word in line]       
            # remove non-printable chars form each token
            line = [re_print.sub('', w) for w in line]                 
            # remove tokens with numbers in them
            line = [word for word in line if word.isalpha()]           
            # store as string
            clean_pair.append(' '.join(line))
#            print(clean_pair)
        cleaned.append(clean_pair)
#        print(cleaned)
    print(array(cleaned))
    return array(cleaned) # something goes wrong here

# save a list of clean sentences to file
def save_clean_data(sentences, filename):
    dump(sentences, open(filename, 'wb'))
    print('Saved: %s' % filename)

# load dataset
filename = 'data/dataset.txt'
doc = load_doc(filename)
# split into english-german pairs
pairs = to_pairs(doc)
# clean sentences
clean_pairs = clean_pairs(pairs)
# save clean pairs to file
save_clean_data(clean_pairs, 'english-german.pkl')
# spot check
 for i in range(100):
    print('[%s] => [%s]' % (clean_pairs[i,0], clean_pairs[i,1]))

最后一行抛出如下错误：

IndexError                          Traceback (most recent call last)
<ipython-input-2-052d883ebd4c> in <module>()
     72 # spot check
     73 for i in range(100):
---> 74     print('[%s] => [%s]' % (clean_pairs[i,0], clean_pairs[i,1]))
     75 
     76 # load a clean dataset

IndexError: too many indices for array

奇怪的是，标准数据集与我自己的数据集的以下行的输出不同：

# Standard dataset:
return array(cleaned)
[['hi' 'hallo']
 ['hi' 'gru gott']
 ['run' ‘lauf’]]

# My own dataset:
return array(cleaned)
[list(['hi' 'hallo'])
 list(['hi' 'gru gott'])
 list(['run' ‘lauf’])]

谁能解释一下问题是什么以及如何解决？

Answer 1

clean_pairs 是 list 的 lists。核心 Python 语言没有正式的多维数组概念，因此您使用的语法 clean_pairs[i,0] 不起作用。应该是clean_pairs[i][0]。

您可能从使用 Pandas 中得到这个想法，它使用更复杂的 n-d 数组数据结构，支持这种索引风格。

我对你的代码感到困惑。看起来您正在将数据框保存到 TSV 文件（制表符分隔），然后手动解析 TSV 并对其执行文本转换？这有很多问题：

1. 就像您使用库来编写 TSV 文件一样，您也应该使用库来读取文件。 CSV/TSV 阅读器将以预先解析的数据结构将您的数据行直接返回给您。
2. AFAICT，您可以对内存中的数据进行所有此类过滤，而无需首先写入中间文件。

至少在您发布的代码中，您还遇到了一些其他问题。例如，您的 to_pairs 函数（这也是您应该留给库的东西，如果有的话）不会返回任何内容。