data-prepare/06-data-xtuner-compose.py

75 lines
2.0 KiB
Python

import json
import os
import argparse
import pandas as pd
import matplotlib.pyplot as plt
def get_Composition_ratio(input_file):
"""
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"
}
计算数据集组成比例,并打印输出。
:param input_file: 输入的JSONL文件路径
"""
# 读取JSONL文件
with open(input_file, "r") as f:
data = [json.loads(line) for line in f] # 读取每一行并解析为JSON对象
df = pd.DataFrame(data)
# print(df.head(5))
# 计算每个类别的数量
counts = df['output'].value_counts()
# 计算总数
total = counts.sum()
# 计算每个类别的比例
ratios = counts / total * 100
# 打印每个类别的比例
print("类别比例和数量:")
for category, ratio in ratios.items():
print(f"类别 {category}: {ratio:.2f}% ({counts[category]} 条)")
# 绘制饼图
plt.figure(figsize=(8, 6))
plt.pie(ratios, labels=ratios.index, autopct='%1.1f%%', startangle=140)
plt.title('数据集类别比例')
plt.show()
return ratios
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 = "arxiv-metadata-oai-snapshot--swift.json"
input_file = "sftdata.jsonl" # 输出文件路径
input_file = "newformat_sft_test_data--xtuner.jsonl" # 输出文件路径
get_Composition_ratio(input_file)
#convert_to_alpaca_format(input_file, output_file)