NLP中常用的utils

这是我在自己做实验中总结的一些工具方法,对于我这种菜鸟来说,经常不记得这些方法,可以拿出来使用使用.后续会持续更新.

1. 数据持久化成pkl格式\json格式,保存和获取pkl格式文件

• 导包

import pickle as pkl
import codecs

• 保存数据成pkl格式

def sava_pkl(path, obj, obj_name):
    print(f'save {obj_name} in {path}')
    with codecs.open(path, 'wb') as f:
        pkl.dump(obj, f)

• 获取pkl格式数据

def load_pkl(path, obj_name):
    print(f'load {obj_name} in {path}')
    with codecs.open(path,'rb') as f:
        data = pkl.load(f)
    return data

• 将数据保存成JSON格式

def save_json(path,data):
    # 先将字典对象转换成可读写的字符串
    item=json.dumps(data,ensure_ascii=False,indent=2)
    with open(path,"w",encoding='utf-8')as f:
        f.write(item)

ensure_ascii默认是True,则就会将中文保存成十六进制格式

• 将数据处理成字典,然后再保存成JSON格式

    for i in range(len(sen_lis)):
        item = dict()
        item["guid"] = i
        item["text_a"] = sen_lis[i]
        item["label"] = label_lis[i]
        res.append(item)
    print("all of %d instances" % (i + 1))
    out_path=os.path.join(out_path,'ChnSenticrop'+index+'.json')
    with open(out_path, "w",encoding='utf-8') as jfile:
        json.dump(res, jfile, ensure_ascii=False)

2.读取CSV和JSON格式的数据

• 导包

import json
import csv
import codecs

• 读取CSV格式的数据

def load_csv(file):
    data_list = []

    with codecs.open(file, encoding='utf-8') as f:
        reader = csv.DictReader(f)
        for line in reader:
            data = list(line.values())
            data_list.append(data)
    return data_list

• 读取JSON格式的数据

def load_json(file):
    data_list = []

    with codecs.open(file, encoding='utf-8') as f:
        for line in f:
            json_data = json.load(line)
            data = list(json_data.values())
            data_list.append(data)
    return data_list

或者:

def load_json(file):
    assert os.path.exists(file),'这个路径不存在'
    data_list=[]
    with codecs.open(file,encoding='utf-8')as f:
        json_data=json.load(f)
        for data in json_data:
            data_list.append(data)
    return data_list

###3.拼接成完整的路径，并且判断这个路径是否存在，如果不存在就创建路径

• 导包

import os

• 拼接路径,一般在保存文件的时候要用

data_path='data/out'
train_data_path=os.path.join(data_path,'triain.pkl')
if not os.path.exists(train_data_path):
      os.makedirs(train_data_path)

4.tqdm和enumerate一起使用，可视化进度

from tqdm import tqdm
# 首先讲数据用tqdm包裹
epoch_iterator=tqdm(data_loader,desc='Iteration')
for batch_idx, batch in enumerate(epoch_iterator):
               ..............

注意导入包一定是:from tqdm import tqdm

5.读取文件路径

• 读取文件夹的一级目录

import os
dirs=os.listdir('-文件夹名称-')

• 读取多级目录

def get_Filelist(path):
    for root, dirs, files in os.walk(path):
        # root 表示当前正在访问的文件夹路径
        # dirs 表示该文件夹下的子目录名list
        # files 表示该文件夹下的文件list
        print('root-dir',root)
        print('sub-dirs',dirs)
        print('files:',files)
        print("=====================")
    return dirs

6.同时打乱2个集合的顺序

def shuffle2list(a: list, b: list):
    # shuffle two list with same rule, you can also use sklearn.utils.shuffle package
    c = list(zip(a, b))
    random.shuffle(c)
    a[:], b[:] = zip(*c)
    return a, b

7.lambda表达式

• lamdba表达式其实就是一种函数
  例如:

def f(x):
    return x*x
# 这个表达式就和上面的表示式是一个意思,其中第一个x表示函数的输入,冒号后面表示函数体
g=lambda x:x*x

print(g(5))输出的结果就是25

• lambda也可以输入两个数据

h=lambda x,y:x*y

print(h(5,4))输出的结果为20

• lambda还可以放在函数中使用

# 有的时候函数y=a*x*x+b*x+c,其中abc和x表示的意义不一样,这个时候就可以使用lambda表达式
def quadratic(a,b,c):
    return lambda x:a*x*x+b*x+c
# 此时表示的就是a=1,b=-1,c=2的一元二次方程
f=quadratic(1,-1,2)

print(f(5))输出的结果为22

8.数据打包

• zip()函数
  有三个list
  test1=[“ccc”,“aaa”,“ddd”,“yyy”,“xxx”]
  test2=(200,100,400,800,500)
  test3=“daceb”
  希望他们能列一起输出,即输出(“ccc”,200,d)这样的格式,这个时候就需要使用zip()函数将三个list封装到一起.见代码:

test1=["ccc","aaa","ddd","yyy","xxx"]
test2=(200,100,400,800,500)
test3="daceb"
feature=zip(test1,test2,test3)
for i in feature:
    print(i)

输出结果:

('ccc', 200, 'd')
('aaa', 100, 'a')
('ddd', 400, 'c')
('yyy', 800, 'e')
('xxx', 500, 'b')

• 使用字典打包数据
  有的时候要传递数据,如果数据比较多,不是很好传递到函数中,这个时候就可以使用字典打包数据,见代码:

test1=["ccc","aaa","ddd","yyy","xxx"]
test2=(200,100,400,800,500)
test3="daceb"
feature={'test1':test1,'test2':test2,'test3':test3}
# 这个时候就可以使用字典直接调用其中的数据
print(feature['test1'])

输出结果:

['ccc', 'aaa', 'ddd', 'yyy', 'xxx']