项目实训个人周报7

转换为Alpaca数据集和Json格式用于模型训练和微调

之前得到了csv格式的数据集，而模型训练和微调需要用到json格式，于是进行转换。下面是代码：

import pandas as pd
import json

# 读取CSV文件
data = pd.read_csv('cleaned_translated_train.csv')

# 转换数据为JSON格式，每一行变成一个字典
json_data = [
    {
        "instruction": row["question"],
        "input": "",
        "output": row["answer"]
    }
    for index, row in data.iterrows()
]

# 将JSON数据保存到文件
with open('data_for_training.json', 'w', encoding='utf-8') as json_file:
    json.dump(json_data, json_file, ensure_ascii=False, indent=4)

1. 读取CSV文件：使用Pandas读取cleaned_translated_train.csv文件。
2. 构建JSON格式数据：对于数据框中的每一行，创建一个字典，其中instruction键对应问题列的内容，input键为空字符串，output键对应答案列的内容。
3. 保存JSON数据：将构建的JSON数据列表保存到名为data_for_training.json的文件中，使用json.dump进行序列化，保持格式化输出以提高可读性。

多个处理好的Json文件进行拼接，用于最后的Lora微调和Rag向量化

import json
import os

# 所有JSON文件都存放在一个名为 'json_files' 的目录中
directory_path = 'json_files'
all_data = []

# 遍历目录中的每个文件
for filename in os.listdir(directory_path):
    if filename.endswith('.json'):
        file_path = os.path.join(directory_path, filename)
        # 打开并读取JSON文件
        with open(file_path, 'r', encoding='utf-8') as file:
            data = json.load(file)
            all_data.append(data)  # 将读取的数据添加到列表中

# 将合并后的数据保存到一个新的JSON文件中
with open('combined_data.json', 'w', encoding='utf-8') as output_file:
    json.dump(all_data, output_file, ensure_ascii=False, indent=4)

1. 导入所需的库：使用json进行数据的序列化和反序列化，使用os来处理文件和目录路径。
2. 设置文件目录：所有的JSON文件都放在名为json_files的目录中。
3. 读取JSON文件
   • 使用os.listdir()遍历指定目录中的所有文件。
   • 检查文件扩展名是否为.json，确保只处理JSON文件。
   • 对于每个JSON文件，打开并使用json.load()读取内容，然后将这些内容添加到all_data列表中。
4. 写入合并后的JSON数据
   • 所有文件的数据被存储在all_data列表中，该列表包含了从每个文件读取的数据。
   • 使用json.dump()将这个列表写入一个名为combined_data.json的新文件中，设置ensure_ascii=False来支持非ASCII字符，indent=4提供了格式化的输出，使得JSON文件易于阅读。