添加数据处理脚本，支持从原始数据筛选、抽样到转换为Alpaca格式

05-data-csv-xtuner.py

@@ -0,0 +1,68 @@
+      
+import json
+
+import csv
+
+
+
+def convert_to_alpaca_format(input_file, output_file):
+    """
+    读取csv文件，提取其中的question和answer列的数据，并转换为 Alpaca 格式。
+
+    输入csv格式:
+    question,A,B,C,D,E,F,G,H,I,J,answer
+
+    输出格式 (Alpaca):
+    {
+        "instruction": "根据论文的标题、作者和摘要，确定该论文的科学类别。",
+        "input": "Based on the title...",
+        "output": "D"
+    }
+    """
+    print(f"转换数据: {input_file} -> {output_file}")
+
+    converted_data = []
+    with open(input_file, "r", encoding="utf-8") as f:
+        csv_reader = csv.DictReader(f)
+        for row in csv_reader:
+            try:
+                # 检查必要的列是否存在
+                if "question" not in row or "answer" not in row:
+                    print(f"警告: 数据缺少必要列: {row}")
+                    continue
+
+                # 创建新的 Alpaca 格式数据
+                new_data = {
+                    "instruction": "根据论文的标题、作者和摘要，确定该论文的科学类别。",
+                    "input": row["question"],
+                    "output": row["answer"]
+                }
+                converted_data.append(new_data)
+
+            except Exception as e:
+                print(f"处理行时发生错误: {str(e)}")
+
+    # 写入输出文件
+    with open(output_file, "w", encoding="utf-8") as f:
+        for item in converted_data:
+            f.write(json.dumps(item, ensure_ascii=False) + "\n")
+
+    print(f"转换完成! 共转换 {len(converted_data)} 条数据")
+
+if __name__ == "__main__":
+    # parser = argparse.ArgumentParser(description="转换数据到Alpaca格式")
+    # parser.add_argument(
+    #     "--input",
+    #     type=str,
+    #     required=True,
+    #     help="输入文件路径 (swift_formatted_sft_train_data.jsonl)",
+    # )
+    # parser.add_argument("--output", type=str, required=True, help="输出文件路径")
+
+    # args = parser.parse_args()
+
+    #input_file = "arxiv-metadata-oai-snapshot--random.json"   # 20000条原始数据文件路径
+    input_file = "newformat_sft_test_data.csv"
+    output_file = "newformat_sft_test_data--xtuner.jsonl"  # 输出文件路径
+
+    convert_to_alpaca_format(input_file, output_file)