datasetstation 快速下载中文数据集,处理数据集,数据分析、可视化分析,一站式解决数据问题
- 不用等了很久,结果 Timeout
- 不用每次写不规范的数据预处理代码
- 数据可视化分析不规范、每次都要重写非常麻烦
- 兼容 Tensorflow、Pytorch、HG Transformers 等主流的建模工具,一次数据处理,多平台数据建模
- 学习数据处理和分析的方法和流程,帮助你更懂数据
pip install datasetstation # 在 jupyter 中使用,执行下面命令 jupyter nbextension enable --py widgetsnbextension jupyter labextension install jupyter-matplotlib
from datasetstation import load_dataset, list_datasets # 打印支持的数据集 print(list_datasets()) # 加载数据及并打印并第一个样本 hotel_review = load_dataset('hotel-review') print(hotel_review['train'][0]) # 处理数据集 - 给每个样本增加一个文本长度的特征 hotel_review = hotel_review.map(lambda x: {"length": len(x["text"])}) # 结合 transformers 库,快速使用各种模型处理任务 from transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained('bert-base-cased') tokenized_dataset = hotel_review.map(lambda x: tokenizer(x['text']), batched=True)
更多的关于 dataset 的操作,请参考 Huggingface Datasets 文档。
| 数据集 | 介绍 |
|---|---|
| hotel-review | 【英文】酒店评价情感分析 |
| imdb | 【英文】电影评论情感分析 |
| new-title-chinese | 【中文】新闻标题 |
| chinese-hotel-review | 【中文】携程酒店评价情感分析 |
| dbms | 【中文】豆瓣电影评论、打分数据 |
| ez-douban | 【中文】豆瓣电影信息、打分、评论 |
| waimai-review-10k | 【中文】外卖评价数据 10k 条,正负两种情绪 |
| weibo-senti-100k | 【中文】微博情感分析 100k 条,正负两种情绪 |
| simplifyweibo-4-moods | 【中文】微博情感分析,喜悦、愤怒、厌恶、低落四种情绪 |
| eshopping-10-cats | 【中文】电商 10 种商品评价,正负情感 |
| squad | 【英文】Stanford Question Answering Dataset (SQuAD) |
| stopwords-cn | 【中文】中文停用词表 |
| stopwords-hit | 【中文】哈工大停用词表 |
| stopwords-baidu | 【中文】百度停用词表 |
| stopwords-scu | 【中文】四川大学机器智能实验室停用词库 |
| tangshi | 唐诗全集 |
| songshi | 宋诗全集 |
| songci | 宋词全集 |
| lunyu | 论语 |
| shijing | 诗经 |
| nalanxingde | 纳兰性德诗集 |
(陆续上传更多中文数据集)如果你有数据集,希望也能快速使用,请联系作者公众号 @春阳CYang。存储空间有限,先到先得!
如果觉得有帮助,希望能给我个星星⭐️
Copyright on (c) 2022-present CYang