IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> 实体识别项目,如何快速的针对字典信息,对新闻数据进行数据标注 -> 正文阅读

[Python知识库]实体识别项目,如何快速的针对字典信息,对新闻数据进行数据标注

# -*- coding: utf-8 -*-
import json
import os
import random
from tqdm import tqdm

random.seed(2021)

dict_path_ = './data_dict/company_list.txt'
path_in_ = './dataset_new'
path_out_train_ = './train_dataset/36Kr_ner/train.tsv'
path_out_test_ = './train_dataset/36Kr_ner/test.tsv'


class DataToSample(object):
    """
    Create training sample data from raw data
    """
    def __init__(self, dict_path):
        self.dict_ind = {}
        self.dict_path = dict_path
        with open(self.dict_path, 'r', encoding='utf-8') as fp:
            for line in fp.readlines():
                line_new = json.loads(line)
                self.dict_ind[line_new['product']] = line_new['hangye1']

    def index_str(self, str1, str2):
        """
         Find all positions where the specified string str1 contains the specified substring str2,
         Return as a list
        """
        length2 = len(str2)
        length1 = len(str1)
        index_str2 = []
        start_index = 0
        while str2 in str1[start_index:]:
            index_tmp = str1.index(str2, start_index, length1)
            index_str2.append((index_tmp, index_tmp + len(str2)))
            start_index = (index_tmp + length2)
        return index_str2

    def creat_sample(self, path_in, path_out_train, path_out_test):
        """
        Create training sample data
        """
        sample_data = []
        files = os.listdir(path_in)
        for file in tqdm(files):
            file_path = path_in + '/' + file
            with open(file_path, 'r', encoding='utf-8') as fp:
                js = json.load(fp)
                text = js['text']
                text_label = ['O'] * len(text)
                for word in self.dict_ind.keys():
                    if word in text:
                        index = self.index_str(text, word)
                        if index:
                            for ind in index:
                                if '-ORG-' in text_label[ind[0]: ind[1]]:  # Prevent cross labeling
                                    continue
                                text_label[ind[0]] = 'B-' + 'ORG-' + self.dict_ind[word]
                                for ind_i in range(ind[0] + 1, ind[1]):
                                    text_label[ind_i] = 'I-' + 'ORG-' + self.dict_ind[word]
                text_new = '\002'.join(list(text))
                text_label_new = '\002'.join(text_label)
                sample_data.append(text_new + '\t' + text_label_new + '\n')
        random.shuffle(sample_data)
        train_num = int(len(sample_data) * 9 / 10)
        with open(path_out_train, 'w', encoding='utf-8') as fp:
            fp.writelines(sample_data[: train_num])
        with open(path_out_test, 'w', encoding='utf-8') as fp:
            fp.writelines(sample_data[train_num:])
        print('completed')


if __name__ == '__main__':
    data_to_sample = DataToSample(dict_path_)
    data_to_sample.creat_sample(path_in_, path_out_train_, path_out_test_)

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2021-10-03 17:02:17  更:2021-10-03 17:04:15 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年12日历 -2024/12/28 21:04:41-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码
数据统计