cas-bigdatalab 功能概述
该算子用于加载 CSV 格式的文件并格式化为统一的数据集格式，输出为 JSONL 格式。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入CSV文件路径或目录 |
| output_path | string | 是 | - | 输出JSONL文件路径 |
| text_keys | list | 否 | 无默认值 | 文本字段名列表 |
| add_suffix | bool | 否 | False | 是否添加文件后缀信息 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
| encoding | string | 否 | utf-8 | CSV文件编码格式 |
输入数据格式
输入可以是：
- 单个 CSV 文件：
/path/to/data.csv - CSV 文件目录：
/path/to/csv_directory/
输出数据格式
输出为 JSONL 格式，每行一个样本。
使用示例
命令行调用
# 加载单个CSV文件
python scripts/run_csv_formatter.py \
--input_path /path/to/input.csv \
--output_path /path/to/output.jsonl
# 指定文本字段
python scripts/run_csv_formatter.py \
--input_path /path/to/input.csv \
--output_path /path/to/output.jsonl \
--text_keys text \
--text_keys title
# 加载目录中的所有CSV文件
python scripts/run_csv_formatter.py \
--input_path /path/to/csv_directory \
--output_path /path/to/output.jsonl \
--add_suffix
# 指定编码格式（如GBK）
python scripts/run_csv_formatter.py \
--input_path /path/to/input.csv \
--output_path /path/to/output.jsonl \
--encoding gbk
参数说明
--input_path: 输入CSV文件或目录路径--output_path: 输出JSONL文件路径--text_keys: 文本字段名，可重复指定多个--add_suffix: 是否添加文件后缀信息--num_proc: 并行进程数，默认1--encoding: CSV文件编码格式，默认utf-8，如GBK文件可指定 --encoding gbk
注意事项
- 输入文件必须是有效的 CSV 格式
- text_keys 用于标识哪些字段是文本字段
- 空值或None的文本样本会被自动过滤