例子是来自基于深度学习的特定领域命名实体识别课题
介绍如何利用原始数据生成测试集、训练集、验证集(看注释)
这其中字典的价值很重要,需要自己创建(这里想到的是利用爬虫技术获取)
#如何利用原始数据生成测试集、训练集、验证集
#encoding=utf8
import os,jieba,csv
import jieba.posseg as pseg
#os.getcwd()获取当前的工作路径,os.sep是‘\\’.然后得到整个source_data的路径,
# gen_data.py和source_data应是同级目录
c_root=os.getcwd()+os.sep+"source_data"+os.sep
#创建三个文件,最终验证集、测试集、训练集的大小比例约为1:2:12
dev=open("example.dev",'w',encoding='utf8')
train=open("example.train",'w',encoding='utf8')
test=open("example.test",'w',encoding='utf8')
#标记,规定的范围之内的东西.符号,遇到标点符号时人工建立上下文.用set比用list效率高
biaoji = set(['DIS', 'SYM', 'SGN', 'TES', 'DRU', 'SUR', 'PRE', 'PT', 'Dur', 'TP', 'REG', 'ORG', 'AT', 'PSB', 'DEG', 'FW','CL'])
fuhao=set(['。','?','?','!','!'])
dics=csv.reader(open("DICT_NOW.csv",'r',encoding='utf8'))#读入字典
for row in dics:
if len(row)==2:
#用jieba把词加载进来,row[0]是词的内容,row[1]是词的类别
jieba.add_word(row[0].strip(),tag=row[1].strip())
jieba.suggest_freq(row[0].strip())#自动调节频率,使一些长短不一的目标词不会被分开成多个词
split_num=0
for file in os.listdir(c_root):#for循环读取source_data文件中的每个文件
if "txtoriginal.txt" in file:
fp=open(c_root+file,'r',encoding='utf8')
for line in fp:#将文件一行行的读进来
split_num+=1
words=pseg.cut(line)#调用pseg.cut(line),这是jieba的一个词性切词的方法
for key,value in words: #切完之后得到一个key-value对,key是词,value是对应的词性,如('患者','n')
#print(key)
#print(value)
if value.strip() and key.strip():
import time
start_time=time.time()
#index就是要写入到哪个文件1:2:12的比例,那有15句话,分1句给dev,分两句给test
index=str(1) if split_num%15<2 else str(2) if split_num%15>1 and split_num%15<4 else str(3)
end_time=time.time()
print("method one used time is {}".format(end_time-start_time))
if value not in biaoji:
value='O'#如果词的词性不在标记中,就标为O(是欧不是零)
for achar in key.strip():#对于key可能多个字,要一个字一个字的遍历
if achar and achar.strip() in fuhao:#如果是标点符号
string=achar+" "+value.strip()+"\n"+"\n"
dev.write(string) if index=='1' else test.write(string) if index=='2' else train.write(string)
elif achar.strip() and achar.strip() not in fuhao:#如果不是标点符号
string = achar + " " + value.strip() + "\n"#就把字和词性写进来,中间用空格隔开
#string要写入哪个文件是由index决定的,index=1写入dev,=2写入test,
dev.write(string) if index=='1' else test.write(string) if index=='2' else train.write(string)
elif value.strip() in biaoji:#当value在标记里面
begin=0#我们用变量begin记录下来
for char in key.strip():#同样的遍历key中的每个字
if begin==0:
begin+=1#每取出key中的一个字,begin就+1
string1=char+' '+'B-'+value.strip()+'\n'#第一个字就变成B-(value)
#根据index的值决定string1最终写入哪个文件,下同
if index=='1':
dev.write(string1)
elif index=='2':
test.write(string1)
elif index=='3':
train.write(string1)
else:
pass
else:#当begin>0了
string1 = char + ' ' + 'I-' + value.strip() + '\n'#第二个开始到key循环结束变成I-(value)
if index=='1':
dev.write(string1)
elif index=='2':
test.write(string1)
elif index=='3':
train.write(string1)
else:
pass
else:
continue
dev.close()
train.close()
test.close()