中文rlhf数据集50w条数据解析

解析代码

import jieba
from tqdm import tqdm
import re
import pandas as pd
import numpy as npdef find_non_english_text(text):pattern = re.compile(r'[^a-zA-Z]')return pattern.sub('', text)def find_chinese_text(text):pattern = re.compile(r'[^\u4e00-\u9fff]')return pattern.sub('', text)json_list = pd.read_parquet("E:/data_sets/train-rm-static-m2m100-zh-jianti.parquet")
data_list = []
basic_list = ["<|User|>", "<|Ash|>"] * 100for _, one_data in tqdm(json_list.iterrows()):ins = "".join(one_data["prompt"].split("\n\n")[1:-1])# inp=one_data["input"]out = one_data["response"]ins = np.hstack([i.split("Human:") for i in ins.split("Assistant:")])[1:].tolist()ins = [i for i in ins if len(i)>0]ins_len = len(ins)try:ins = np.hstack([[i, j] for i, j in zip(basic_list[:ins_len], ins)]).tolist()ins += [basic_list[ins_len], out]data_list.append(ins)except:continue
with open("data_set_five.txt", "a", encoding="utf-8") as f:voc_set = set()for one_data in tqdm(data_list):ins = []for one in one_data:if one in ["<|User|>", "<|Ash|>"]:ins += [one]else:one = jieba.lcut(one)try:one = np.hstack([list(i) if len(find_chinese_text(i)) > 0 else i for i in one]).tolist()except:breakins += onevoc_set |= set(ins)f.write(str(ins) + "\n")

数据名

在hf上搜方可
train-rm-static-m2m100-zh-jianti.parquet
数据地址

代码解析

1. import jieba: 导入分词库jieba。
2. from tqdm import tqdm: 导入tqdm库，用于在循环中显示进度条。
3. import re: 导入正则表达式库。
4. import pandas as pd: 导入pandas库，用于处理数据。
5. import numpy as np: 导入numpy库，用于处理数组。
6. def find_non_english_text(text): 定义一个函数，用于查找非英文文本。该函数输入一个文本，使用正则表达式找到文本中的非英文字符，并用空字符替换。
7. def find_chinese_text(text): 定义一个函数，用于查找中文文本。该函数输入一个文本，使用正则表达式找到文本中的非中文字符，并用空字符替换。
8. json_list = pd.read_parquet("E:/data_sets/train-rm-static-m2m100-zh-jianti.parquet"): 读取parquet格式的文件，并将数据赋值给json_list。
9. data_list = []: 定义一个空列表，用于存储最终的数据。
10. basic_list = ["<|User|>", "<|Ash|>"] * 100: 定义一个列表，其中包含两个字符串"<|User|>“和”<|Ash|>"，并将其重复100次。
11. for _, one_data in tqdm(json_list.iterrows()):: 遍历json_list，并使用tqdm在循环中显示进度条。其中，_表示索引值，one_data表示每一行数据。
12. ins = "".join(one_data["prompt"].split("\n\n")[1:-1]): 从one_data中获取prompt字段，并去除字段中的换行符。然后，取出prompt中除第一行和最后一行之外的所有内容，并将其赋值给ins。
13. out = one_data["response"]: 从one_data中获取response字段，并将其赋值给out。
14. ins = np.hstack([i.split("Human:") for i in ins.split("Assistant:")])[1:].tolist(): 将ins根据"Assistant:"分割成多个子串，然后将子串中的"Human:"去除，并将子串合并为一个列表。最后，将列表中的第一个元素去除，并将其转换为列表类型。
15. ins_len = len(ins): 获取ins列表的长度，并将其赋值给ins_len。
16. ins = np.hstack([[i, j] for i, j in zip(basic_list[:ins_len], ins)]).tolist(): 将basic_list中与ins长度相同的元素取出，然后将basic_list和ins中的元素一一配对组成元素为两个字符串的列表，并将这些列表合并为一个列表。最后，将这个列表转换为列表类型。
17. data_list.append(ins): 将ins添加到data_list中。
18. with open("data_set_five.txt", "a", encoding="utf-8") as f:: 打开一个文件"data_set_five.txt"，并将其赋值给变量f。打开文件时，使用"a"模式表示追加数据到文件末尾。
19. voc_set = set(): 定义一个空集合，用于存储数据中的所有词汇。
20. for one_data in tqdm(data_list):: 遍历data_list，并使用tqdm在循环中显示进度条。其中，one_data表示每一个元素。
21. ins = []: 定义一个空列表，用于存储分词后的文本。
22. for one in one_data:: 遍历one_data中的每一个元素，并将其赋值给变量one。
23. if one in ["<|User|>", "<|Ash|>"]:: 判断one是否等于"<|User|>“或”<|Ash|>"。
24. ins += [one]: 如果one等于"<|User|>“或”<|Ash|>"，则将one加入ins中。
25. else:: 如果one不等于"<|User|>“或”<|Ash|>"。
26. one = jieba.lcut(one): 使用jieba对one进行分词。
27. try:: 开始异常处理。
28. one = np.hstack([list(i) if len(find_chinese_text(i)) > 0 else i for i in one]).tolist(): 对于one中的每个分词，如果其包含中文字符，则将其拆分成单个字符，否则不做处理。然后，将处理后的结果合并为一个列表，并将这个列表转换为列表类型。
29. voc_set |= set(ins): 将ins中的所有元素加入voc_set中。
30. f.write(str(ins) + "\n"): 将ins转换为字符串，并将其写入文件中，同时在字符串末尾加入换行符。