tf_text
文字预处理
在文字的建模实践中，一般需要把原始文字拆解成单字、单词或者词组，然后将这些拆分的要素进行索引，标记化供机器学习算法使用。这种预处理叫做标注（Tokenize）。虽然这些功能都可以用python实现，但是Keras提供了现成的方法。
对于keras全部封装在text中
分词器
Tokenizer
keras.preprocessing.text.Tokenizer(num_words=None,
filters='!"#$%&()*+,-./:;<=>?@[\]^_`{|}~',
lower=True, split=' ',
char_level=False,
oov_token=None).fit_on_texts(texts)默认情况下，将删除所有标点符号，从而将文本转换为以空格分隔的单词序列（单词可能包含'字符）。然后将这些序列分成令牌列表。然后将它们编入索引或向量化。
在实例化Tokenizer类后，再使用fit_on_texts(texts)，来更新Tokenizer对象的词典和词频信息。
序列化
text_to_word_sequence
keras.preprocessing.text.text_to_word_sequence(text, filters='!"#$%&()*+,-./:;<=>?@[\\]^_`{|}~\t\n', lower=True, split=' ')将文本转换为单词（或标记）序列。
onehot
在利用机器学习或者深度学习解决分类问题时，我们需要将标签进行编码onehot处理
get_dummies 是利用pandas实现one hot encode的方式。
>>> s = pd.Series(list('abca'))
>>> pd.get_dummies(s)
a b c
0 1 0 0
1 0 1 0
2 0 0 1
3 1 0 0sklearn中的onehot
from sklearn.preprocessing import OneHotEncoder当然keras也有
keras.preprocessing.text.one_hot(text, n, filters='!"#$%&()*+,-./:;<=>?@[\\]^_`{|}~\t\n', lower=True, split=' ')tf_text
但是我并不是写这么东西tensorflow-text，主要是想记录下tensorflow-text，这是tf2.0新东西，1.0多没有见过，所以记录下
注意：
需要TensorFlow 2.0
安装
pip install tensorflow-text测试
import tensorflow as tf
import tensorflow_text as text统一编码
Unicode 是计算机科学领域里的一项业界标准，包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。
字符串使用UTF-8。如果使用其他编码，则可以使用核心tensorflow转码操作将代码转码为UTF-8。
import tensorflow as tf
import tensorflow_text as text
# 这里添加的表情，对于tf.2是新东西
# 将UTF-16-BE 编码——>UTF-8
MaoliString = tf.constant([u'毛利学习tf_text.'.encode('UTF-16-BE'), u'好开心?'.encode('UTF-16-BE')])
utf8_docs = tf.strings.unicode_transcode(MaoliString, input_encoding='UTF-16-BE', output_encoding='UTF-8')
print(utf8_docs)等同于MaoliString = tf.constant([u'毛利学习tf_text.'.encode('UTF_8'), u'好开心?'.encode('=UTF_8')])
输出如下
tf.Tensor(
[b'\xe6\xaf\x9b\xe5\x88\xa9\xe5\xad\xa6\xe4\xb9\xa0tf_text.'
b'\xe5\xa5\xbd\xe5\xbc\x80\xe5\xbf\x83\xf0\x9f\x98\x8d'], shape=(2,), dtype=string)tokenizer
WhitespaceTokenizer 根据空格分词
# WhitespaceTokenizer 根据空格分词
tokenizer = text.WhitespaceTokenizer()
tokens = tokenizer.tokenize(['毛利 学习 tf_text.', u'好 开 心 ?'.encode('UTF-8')])
print(tokens.to_list())UnicodeScriptTokenizer()
根据编码Unicode拆分UTF-8字符串
# 根据编码Unicode拆分UTF-8字符串
tokenizer = text.UnicodeScriptTokenizer()
tokens = tokenizer.tokenize(['毛利 学习 tf_text.', u'好 开 心 ?'.encode('UTF-8')])
print(tokens.to_list())tf.strings.unicode_split
这是1.多的用法，2.0也ok，2.0就是来了TensorFlow Text
tokens = tf.strings.unicode_split([u"毛利".encode('UTF-8')], 'UTF-8')
print(tokens.to_list())
[[b'\xe6\xaf\x9b', b'\xe5\x88\xa9']]