数据清洗相关准备
- 目标
针对合并的后的作文数据集,需要进行进一步的数据清洗,使得每一个行是一个段落,且标点符号的使用必须正确。只有经过数据清洗,才能保证模型的训练不受影响,脏数据可能会导致训练的模型准确率低,甚至训练出错的模型 - 语言
python - 开发工具
jupyter notebook
数据清洗步骤
- 读取文件
读取源数据文件并创建目标数据文件
f1=open(r'C:\Users\langgoubao\Desktop\Senior_data.txt','r',encoding='utf-8')#打开源文件
f=open(r'C:\Users\langgoubao\Desktop\Senior.txt','w',encoding='utf-8')#打开写入文件
- 针对每一行数据开始处理
遍历源数据文件的每一行,判断是否为空行,如果不是空行就开始处理,是空行则直接循环到下一行。
for line in file.readlines():
if line.split(): #过滤空行 (不是空行,开始处理)
- 删去在合并过程中因为转码出现的不规则字符
因为转码问题,或者本身作文中存在的问题,有很多不规则符号,比如多个问号相连接,还存在一些英文的标点,需要将其转化为中文的标点。
ch=['???','? ? ?','??','???', ',',<