项目实训日志（十）-数据集清洗与整理

在上一步中，我爬取到了考公，教资，银行，企业管理这四个行业的一些面试问题，但是在这些数据中存在一些噪声数据，今天我主要完成数据清洗的工作。

以下以企业管理数据为例，展示数据清洗过程。

1. 读取数据

首先，读取之前爬取的数据集文件：

import pandas as pd

# 读取CSV文件
df = pd.read_csv('business_management_interview_questions.csv')

# 显示前几行数据
print(df.head())

数据清洗

进行数据清洗，包括去除空值、去重、去除噪声数据等操作：

# 去除空值
df.dropna(subset=['Question', 'Answer'], inplace=True)

# 去除重复值
df.drop_duplicates(subset=['Question', 'Answer'], keep='first', inplace=True)

# 去除噪声数据
# 例如，去除过短的问答对
df = df[df['Question'].str.len() > 10]
df = df[df['Answer'].str.len() > 20]

# 显示清洗后的数据
print(df.head())
print(f"数据集有{df.shape[0]}条记录")

数据标准化

统一数据格式，例如去除多余的空格、转换成小写字母等：

# 去除多余的空格
df['Question'] = df['Question'].str.strip()
df['Answer'] = df['Answer'].str.strip()

# 转换成小写字母
df['Question'] = df['Question'].str.lower()
df['Answer'] = df['Answer'].str.lower()

# 显示标准化后的数据
print(df.head())

. 数据多样性

确保数据集的多样性，避免模型过拟合。可以通过检查和筛选数据来保证多样性：

# 检查问题的唯一性
unique_questions = df['Question'].nunique()
total_questions = df.shape[0]
print(f"问题的唯一性：{unique_questions}/{total_questions}")

# 检查答案的多样性
unique_answers = df['Answer'].nunique()
total_answers = df.shape[0]
print(f"答案的多样性：{unique_answers}/{total_answers}")

保存清洗后的数据

将清洗和整理后的数据保存到新的json文件中：

# 保存清洗后的数据
df.to_csv('cleaned_business_management_interview_questions.csv', index=False, encoding='utf-8')

print("数据清洗和整理完毕，并保存到 cleaned_business_management_interview_questions.csv 文件中")

完整的示例代码

以下是完整的代码示例，将上述所有步骤整合在一起：

import pandas as pd
import json

# 读取CSV文件
df = pd.read_csv('business_management_interview_questions.csv')

# 去除空值
df.dropna(subset=['Question', 'Answer'], inplace=True)

# 去除重复值
df.drop_duplicates(subset=['Question', 'Answer'], keep='first', inplace=True)

# 去除噪声数据
df = df[df['Question'].str.len() > 10]
df = df[df['Answer'].str.len() > 20]

# 去除多余的空格
df['Question'] = df['Question'].str.strip()
df['Answer'] = df['Answer'].str.strip()

# 转换成小写字母
df['Question'] = df['Question'].str.lower()
df['Answer'] = df['Answer'].str.lower()

# 构造ChatGLM3-6B格式的数据
data = []
for idx, row in df.iterrows():
    entry = {
        "instruction": row['Question'],
        "input": "",
        "output": row['Answer']
    }
    data.append(entry)

# 保存为JSON文件
with open('chatglm_business_management_interview_questions.json', 'w', encoding='utf-8') as f:
    json.dump(data, f, ensure_ascii=False, indent=4)

print("数据已转换为ChatGLM3-6B格式，并保存到 chatglm_business_management_interview_questions.json 文件中")

gpt辅助

经过清洗之后的数据集主要内容中已经没有了网页标签等无关内容，仅保留了主要的文本内容，接下来，我通过gpt帮助我生成了格式符合要求的数据集

 数据集