Refactor preprocess script

[liyongsea]

在一个notebook里面显示

• 统计出的要删掉的词频，画一个简单的分布图
• 说一下，经过预处理后处理掉了多少行

[Wzixiao]

在"ranWang/un_pdf_random_preprocessed"dataset中（15293 record），已经过滤信息如下表格（包含5国语言）

Reason	Reason count	Lines count	Frequency
line_freq	1817497	1817599	0.0387
overall_tk_freq	372799	372874	0.0079
annotation block	133609	899462	0.0192
tk_freq	165450	165451	0.0035
likely page number	522006	522076	0.0111
total	3011361	3777462	0.0804

总的过滤的行数比例为 0.08042826121888653 总的过滤的文件数量比例为（只存在一页两页的，全是噪点，几乎没有数据） 0.3121766902073681