Jupyter Notebook对数据集进行数据分析 数据统计(含:样本数量/样本长度/样本长度分布图/示例样本打印)

以下内容可直接以写入.ipynb文件的形式,放入服务器上任意已准备好数据集的文件夹下:

  • 导入模块
import os
import json
import re
from collections import defaultdict
  • 绘图函数
def draw(dic): #输入样本数量统计字典
    import numpy as np
    import matplotlib.pyplot as plt
    from matplotlib.ticker import MaxNLocator
    from collections import namedtuple

    fig, ax = plt.subplots()

    n_groups = len(dic) #列数
    index=[]
    data=[]
    for i in sorted (dic) : 
        index.append(i)
        data.append(dic[i])

    bar_width = 0.2 #每条柱状的宽度
    rects1 = ax.bar(index, data, bar_width,label='length') #绘制柱状图

    ax.legend() #绘制图例(即右上角的方框)

    fig.tight_layout()
    plt.show()
  • 合并字典函数
#合并字典
def merge(dic1,dic2):
    for key in dic1:
        if key in dic2:
            dic1[key]+=dic2[key]
    for key in dic2:
        if key not in dic1:
            dic1[key]=dic2[key]
    return dic1
  • 样本数量统计函数
# 样本数量统计
# 样本长度统计、样本长度平均值、样本长度分布
def fun(dataset,path): #输入数据集名称,文件名
    samples_num=0
    samples_len_dic=defaultdict(int)
    samples_lens=0
    with open(os.path.join(dataset,path+".jsonl"),"r",encoding="utf-8") as f: #默认为jsonl文件格式

        lines=f.readlines()
        samples_num=len(lines)
        for line in lines:
            line=json.loads(line) #将数据转换为字典格式
            text=line["text"]

            #  第一步,非英文字符用空格代替 #是否要对英文文本做预处理
            # text = re.sub(r"'s", " 's", text)
            # text = re.sub(r"'ve", " 've", text)
            # text = re.sub(r"n't", " n't", text)
            # text = re.sub(r"'re", " 're", text)
            # text = re.sub(r"'d", " 'd", text)
            # text = re.sub(r"'ll", " 'll", text)
            # text = re.sub(r"[^A-Za-z]", " ", text)

            text=text.split()
            samples_len_dic[len(text)]+=1
            samples_lens+=len(text)
            
    return samples_num,samples_lens,samples_len_dic #输出:样本数量、样本总长度、样本长度分布字典
  • 分析
for dataset in ["dataset_name1","dataset_name2"]:
    print(dataset)
    samples_num,samples_lens,samples_len_dic=0,0,defaultdict(int)
    for path in ["train","dev","test"]:
        samples_num1,samples_lens1,samples_len_dic1=fun(dataset,path)
        samples_num+=samples_num1
        samples_lens+=samples_lens1
        samples_len_dic=merge(samples_len_dic,samples_len_dic1)

    count=0
    for key in samples_len_dic:
        count+=samples_len_dic[key]
    
    if count!=samples_num:
        print("False")

    print("样本数量:",samples_num)
    print("样本长度分布数值:",sorted(samples_len_dic.items(),key=lambda x:x[0]))
    print("样本长度平均值:",samples_lens/samples_num)	
    print("样本长度分布图表:",)
    draw(samples_len_dic)
  • (2022/2/26补充)示例样本打印(包括图片显示、图片自定义缩小放大)
from PIL import Image
import matplotlib.pyplot as plt

def print_out(dataset,sample):  #sample为样本(字典格式)
    print("原文本:",sample["text"])
    print("原图片:")
    img_id=sample["image"]
    path=os.path.join(dataset+"/img",img_id)

    img=Image.open(path)
    display(img.resize((int(img.size[0]*0.5),int(img.size[1]*0.5)),Image.ANTIALIAS)) #此处为缩小50%
  • 1
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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