Python中压缩大范围为小范围并保留标签，合并预测序列元组输出

嘿，看来你已经把预测序列转换成了带时间区间的标签元组，现在想把这些零散的区间合并得更贴合实际、更像人类的简洁表述对吧？我给你整理几个实用的思路和代码示例，你可以根据自己的数据集调整：

这是最基础的一步，把相邻或者有重叠的相同标签区间合并成一个完整的大区间。比如如果你的输出里有[0,2,'谢'], [3,5,'谢']，直接合并成[0,5,'谢']就更合理。

代码示例：

def merge_continuous_same_label(intervals):
    if not intervals:
        return []
    
    # 先按起始时间排序，确保区间是按时间顺序来的
    sorted_intervals = sorted(intervals, key=lambda x: x[0])
    merged = [sorted_intervals[0]]
    
    for current in sorted_intervals[1:]:
        last = merged[-1]
        # 如果当前标签和上一个一致，且时间上连续/重叠（这里+1是允许相邻区间，可按需调整）
        if current[2] == last[2] and current[0] <= last[1] + 1:
            # 更新合并后的区间结束时间为两者的最大值
            merged[-1] = [last[0], max(last[1], current[1]), last[2]]
        else:
            merged.append(current)
    return merged

预测结果里经常会出现一些极短的、不符合实际的小标签片段（比如中间插了1帧的无关标签），人类会自动忽略这种噪声。你可以设置一个最小长度阈值，把这些短片段合并到前后占比更高的标签里。

代码示例：

def merge_noisy_intervals(intervals, min_valid_length=3):  # 这里的3是你认为的"有效"片段长度，可改
    if not intervals:
        return []
    
    sorted_intervals = sorted(intervals, key=lambda x: x[0])
    merged = []
    
    i = 0
    while i < len(sorted_intervals):
        curr_start, curr_end, curr_label = sorted_intervals[i]
        curr_length = curr_end - curr_start + 1
        
        # 如果当前片段太短，尝试合并到前后的同标签区间
        if curr_length < min_valid_length:
            # 先看前一个区间是不是同标签
            if merged and merged[-1][2] == curr_label:
                merged[-1] = [merged[-1][0], curr_end, merged[-1][2]]
            # 再看后一个区间是不是同标签
            elif i + 1 < len(sorted_intervals) and sorted_intervals[i+1][2] == curr_label:
                next_start, next_end, next_label = sorted_intervals[i+1]
                merged.append([curr_start, next_end, curr_label])
                i += 1  # 跳过下一个，因为已经合并了
            else:
                # 前后都没同标签的话，要么保留要么合并到占比高的相邻区间，这里先简单保留
                merged.append(sorted_intervals[i])
        else:
            merged.append(sorted_intervals[i])
        i += 1
    
    # 合并完噪声后，再跑一遍连续同标签合并
    return merge_continuous_same_label(merged)

如果你的标签是单字文本（比如'谢'），合并完区间后还可以做语义层面的拼接，把连续的相同单字拼成完整词语，比如把连续的'谢'区间合并成'谢谢'。

代码示例：

def merge_semantic_text_labels(merged_intervals):
    if not merged_intervals:
        return []
    
    final_result = []
    curr_start, curr_end, curr_label = merged_intervals[0]
    
    for interval in merged_intervals[1:]:
        start, end, label = interval
        # 如果是相同的单字标签，直接拼接
        if label == curr_label and len(curr_label) == 1:
            curr_label += label
            curr_end = end
        else:
            final_result.append([curr_start, curr_end, curr_label])
            curr_start, curr_end, curr_label = start, end, label
    
    final_result.append([curr_start, curr_end, curr_label])
    return final_result

组合使用示例 #

你可以把这几个方法串起来用，先过滤噪声，再合并连续区间，最后做语义拼接：

# 假设你的原始输出是raw_intervals
cleaned = merge_noisy_intervals(raw_intervals)
continuous_merged = merge_continuous_same_label(cleaned)
final_output = merge_semantic_text_labels(continuous_merged)

记得根据自己的实际数据调整阈值（比如min_valid_length、连续区间判断的+1），如果你的标签不是文本，那可以跳过语义合并的步骤~

内容的提问来源于stack exchange，提问作者DJ_Stuffy_K