描述 #

特殊字符占比计算器 - 基于特殊字符占比的文本特征提取

核心功能 #

• 特殊字符占比计算：精确统计特殊字符在文本中的占比
• 多粒度支持：可选择不同类型的特殊字符进行计算
• 灵活配置：支持计算所有特殊字符或特定类型字符的占比

应用场景 #

• 文本质量评估
• 数据清洗和预处理
• 文本分类特征提取
• 内容安全检测
• 多语言文本分析

技术特性 #

• 支持多种字符类型：
  • all: 所有特殊字符（默认）
  • whitespace: 空白字符
  • punctuation: 标点符号
  • digits: 数字字符
  • emoji: 表情符号
• 支持多语言Unicode字符识别

算子参数 #

输入 #

输出 #

占比结果列，元素为浮点数，表示特殊字符的占比

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 daft 运行算子计算文本中特殊字符的占比。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.special_characters_ratio_calculator import SpecialCharactersRatioCalculator
from daft.las.functions.udf import las_udf

if __name__ == "__main__":

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    samples = {
        "text": [
            "Hello world!",
            "1234567890",
            "     ",
            "这是中文文本",
            "你好 Hello 😊 123 !!!",
        ]
    }

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "special_ratio",
        las_udf(
            SpecialCharactersRatioCalculator,
            construct_args={"character_type": "all"},
        )(col("text")),
    )

    ds.show()
    # ╭───────────────────────┬─────────────────────╮                                                                                               
    # │ text                  ┆ special_ratio       │
    # │ ---                   ┆ ---                 │
    # │ String                ┆ Float64             │
    # ╞═══════════════════════╪═════════════════════╡
    # │ Hello world!          ┆ 0.16666666666666666 │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 1234567890            ┆ 1                   │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │                       ┆ None                │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 这是中文文本          ┆ 0                   │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 你好 Hello 😊 123 !!! ┆ 0.6111111111111112  │
    # ╰───────────────────────┴─────────────────────╯