python 处理nlp_chinese_corpus中baike2018qa的数据

最近需要使用baike2018qa的数据,数据的地址为: https://github.com/brightmart/nlp_chinese_corpus

发现处理起来并不简单,这里我把我处理的方法分享出来,我需要title和desc字段拼接,然后category当成类别,然后划分数据集,下面我的处理流程,有需要的可以进行修改哈:

import pandas as pd
from sklearn.model_selection import train_test_split


file_path = './data/baike_qa_valid.json'
output_files = 'data/train.txt'
data = pd.read_json(file_path, orient='records', lines=True)
print(data.head())
print(data.shape)
print(data.keys())
# data['text']=data['title']+data['desc']
data['content']=data['title']+data['desc']
print(data.shape)
data['content']=data['content'].apply(lambda x:x.replace('\n','').replace('\t',"").replace('\r',""))
# data = data.dropna(subset=['category'])
data['category']=data['category'].apply(lambda x:x.replace('-',","))
data = data[~(data['category'].isin(['']))]
print(data.shape)

data.to_csv(output_files, columns=['content','category'], header=None, sep='\t', index=False)

X_train, X_test = train_test_split(data,test_size=0.1,random_state=42)

X_train.to_csv('data/train.txt',columns=['content','category'],header=None,sep='\t',index=False)
X_test.to_csv('data/dev.txt',columns=['content','category'],header=None,sep='\t',index=False)

print(data['category'].value_counts())
labels = data['category'].unique()
print(len(labels))

with open('data/label.txt','w') as f:
    for label in labels:
        f.write(label+'\n')
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

打赏作者

农民小飞侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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