Преобразование данных .CSV в формат CoNLL BIO для NER

У меня есть данные в CSV-файле, который выглядит так

sent_num = [0, 1, 2]
text = [['Jack', 'in', 'the', 'box'], ['Jack', 'in', 'the', 'box'], ['Jack', 'in', 'the', 'box']]
tags = [['B-ORG', 'I-ORG', 'I-ORG', 'I-ORG'], ['B-ORG', 'I-ORG', 'I-ORG', 'I-ORG'], ['B-ORG', 'I-ORG', 'I-ORG', 'I-ORG']]

df = pd.DataFrame(zip(sent_num, text, tags), columns=['sent_num', 'text', 'tags'])
df

Я хочу преобразовать эти данные в текстовый файл формата CoNLL, как показано ниже, где каждый столбец (текст и теги) разделен табуляцией, а конец каждого предложения (или документа) обозначен пустой строкой.

text    tags
Jack    B-ORG
in  I-ORG
the I-ORG 
box I-ORG

Jack    B-ORG
in  I-ORG
the I-ORG 
box I-ORG

Jack    B-ORG
in  I-ORG
the I-ORG
box I-ORG

То, что я пробовал, но не сработало, считает пустые строки действительными данными, а не концом предложения.

# create a three-column dataset
DF = df.apply(pd.Series.explode)
DF.head()

# insert space between rows in the data frame
# find the indices where changes occur 
switch = DF['sent_num'].ne(DF['sent_num'].shift(-1))

# construct a new empty dataframe and shift index by .5
DF1 = pd.DataFrame('', index=switch.index[switch] + .1, columns=DF.columns)

# concatenate old and new dataframes and sort by index, reset index and remove row positions by iloc
DF2 = pd.concat([DF, DF1]).sort_index().reset_index(drop=True).iloc[:-1]
DF2.head()

group by tags
DF2[['text', 'tags']].groupby('tags').count()

Мне нужна помощь в изменении или улучшении имеющегося у меня кода.


python-3.x pandas text ner conll
person GSA    schedule 21.04.2021    source источник

Ответы (1)


arrow_upward
2
arrow_downward 

with open("output.txt", "w") as f_out:
    print("text\ttags", file=f_out)
    for _, line in df.iterrows():
        for txt, tag in zip(line["text"], line["tags"]):
            print("{}\t{}".format(txt, tag), file=f_out)
        print(file=f_out)

Создает output.txt:

text    tags
Jack    B-ORG
in  I-ORG
the I-ORG
box I-ORG

Jack    B-ORG
in  I-ORG
the I-ORG
box I-ORG

Jack    B-ORG
in  I-ORG
the I-ORG
box I-ORG
person Andrej Kesely    schedule 21.04.2021
comment
Привет, Андрей, есть ли способ записать файлы без заголовков? - person GSA; 21.04.2021
comment
@GSA Без text tags? Тогда вы можете удалить print("text\ttags", file=f_out). - person Andrej Kesely; 21.04.2021