china-datasets 1.0.0.2

china-datasets 是一个快速下载中文数据集，处理数据集，精益建模的包。

china-dataset

有没有找不到中文数据集，有没有找到中文数据集下载缓慢，下载了数据集每次都要根据不同的框架写不同的预处理逻辑的痛苦。 这个包帮你搞定这些！

• 不用等了很久，结果 Timeout
• 不用每次写不同的数据预处理代码

快速使用

pip install china-datasets

from china_datasets 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)

目前支持数据集

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 中商品，正负情感
squad	【英文】Stanford Question Answering Dataset (SQuAD)

如果你有数据集，希望也能快速使用，请联系作者 [e-mail]。存储空间有限，先到先得！

ROADMAP

每个版本详细的变更日志 release notes.

协议

Apache License

Copyright on (c) 2022-present CYang