Tools for tokenizer develope and evaluation
Project description
Tokenizer Tools
Tools/Utils for NLP (including dataset reading, tagset encoding & decoding, metrics computing) | NLP 工具集（包含数据集读取、tagset 编码和解码、指标的计算等）
Free software: MIT license
Documentation: https://tokenizer-tools.readthedocs.io.
Features
功能
语料集读写
本软件提供了一种语料存储的磁盘文件格式（暂定名为 conllx）和内存对象格式（暂定名为 offset）。
语料集读取
任务：读取 corpus.collx 文件，遍历打印每一条语料。
代码：
from tokenizer_tools.tagset.offset.corpus import Corpus
corpus = Corpus.read_from_file("corpus.conllx")
for document in corpus:
print(document) # document 就是单条语料对象语料集写入
任务：将多条语料写入 corpus.conllx 文件
代码：
from tokenizer_tools.tagset.offset.corpus import Corpus
corpus_list = [corpus_item_one, corpus_item_two]
corpus = Corpus(corpus_list)
corpus.write_to_file("corpus.conllx")Document 属性和方法
每一个单条语料都是一个 Document 对象，现在介绍这个对象所拥有的属性和方法
属性
text
类型是 list， 代表文本的字段
domain
类型是 string， 代表领域
function
类型是 string， 代表功能点
sub_function
类型是 string，代表子功能点
intent
类型是 string， 代表意图
entities
类型是 SpanSet， 代表实体，下文有详细介绍
方法
compare_entities
比较文本和实体是否匹配
convert_to_md
将文本和实体转换成 markdown 格式，用于文本化渲染输出
SpanSet 属性和方法
方法
__iter__
可以像列表一样访问，得到的每一个元素都是 Span 对象
check_overlap
检查 span 是否重叠
Span 属性和方法
属性
start
int, 从 0 开始，包含该位置
end
int， 从0开始，不包含该位置
entity
string， 实体类型
value
string， 实体的值
TODO
改变项目的名字，tokenizer_tools 已经无法正确描述现在项目的功能
Credits
This package was created with Cookiecutter and the audreyr/cookiecutter-pypackage project template.
History
0.1.0 (2018-09-05)
First release on PyPI.
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distribution
Built Distribution
Hashes for tokenizer_tools-0.46.1-py2.py3-none-any.whl
| Algorithm | Hash digest | |
|---|---|---|
| SHA256 | e73d27f575e357202272ab68a9b3e6cbec32bc3aae8268d537ab090bdebf74bb |
|
| MD5 | 0a41f9fbf963caa4bd2c9af3e6986bb7 |
|
| BLAKE2b-256 | 93851f5bd5df02cfc4a7d7edd7d4a9b62a29f092e64f6660fbe159337569196f |
