cas-bigdatalab language_filter 语种过滤
功能概述
- langdetect 识别语种，写入 detected_lang 列。
- 根据模式保留或剔除目标语种样本。
参数说明
| 参数 | 必填 | 默认值 | 说明 |
|---|---|---|---|
--input_path |
是 | 输入文件路径（支持CSV/TSV/Excel等） | |
--output_path |
是 | 输出文件路径（过滤后的文件） | |
--target_lang |
是 | 目标语种代码（如 zh, en, fr 等） | |
--text_columns |
否 | 用于检测的文本列，逗号分隔；不填默认全部字符串列 | |
--mode |
否 | keep=保留目标语种，drop=剔除目标语种，默认 keep |
使用方法
python scripts/language_filter.py \
--input_path <输入文件> \
--output_path <输出文件> \
--target_lang zh \
[--text_columns col1,col2] \
[--mode keep|drop]
输出说明
- 新增列 detected_lang 标记检测结果。
- 根据 mode 输出过滤后的数据。
注意事项
- 依赖 langdetect，请确保已安装：
pip install langdetect。 - 语言检测对极短文本可能不稳定，建议提供上下文较多的列或多列拼接。