模型输入数据处理(处理为json文件)

在数据集处理为txt格式的情况下,需要进一步为json格式,先展示一下处理后的json个数据:
每一行是一个json格式数据,包含两个字段,word和tag,word就是每个字的ascll码表示,如果是数字就表示为NUM,tag是两次之间是空格还是标点,是标点要指明是什么标点。
在这里插入图片描述
在这里插入图片描述
下面介绍一下处理过程:
1、导入需要的模板

import os
from tqdm import tqdm
from collections import Counter
import numpy as np
import codecs
import re
from data.common import SPACE, UNK, PAD, NUM, END, write_json

其中common是自定义文件,用到的代码如下

PAD = "<PAD>"
UNK = "<UNK>"
NUM = "<NUM>"
END = "</S>"
SPACE = "_SPACE"


def write_json(filename, dataset):
    print('write to'+filename)
    with codecs.open(filename, mode="w", encoding="utf-8") as f:
        ujson.dump(dataset, f)

2、定义标点列表
其中只包括逗号句号问号,不在这几个中的也要单独定义列表

# Comma, period & question mark only:
PUNCTUATION_VOCABULARY = [SPACE, ",COMMA", ".PERIOD", "?QUESTIONMARK"]
#PUNCTUATION_VOCABULARY = [SPACE, ",COMMA"]
PUNCTUATION_MAPPING = {
   "!EXCLAMATIONMARK": ".PERIOD", ":COLON": ",COMMA", ";SEMICOLON": ".PERIOD", "-DASH": ",COMMA"}

EOS_TOKENS = {
   ".PERIOD", "?QUESTIONMARK", "!EXCLAMATIONMARK"}
# punctuations that are not included in vocabulary nor mapping, must be added to CRAP_TOKENS
CRAP_TOKENS = {
   "<doc>", "<doc.>"}

3、判断字符是否为数字
这里调用了正则表达式进行判断,返回布尔类型

def is_number(word):
    numbers = re
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值