描述 #

字符占比计算器 - 基于字母和数字字符占比的文本特征提取

核心功能 #

• 字符占比计算：精确统计字母和数字字符在文本中的占比
• 分词模式支持：可选择基于分词或字符级别的占比计算
• 多语言支持：支持英文、中文、日文、韩文等多种语言的字符识别

应用场景 #

• 多语言文本质量评估
• 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 #

• 支持两种计算模式：
  • 字符模式：字母和数字字符占总字符数的比例
  • 分词模式：字母字符占分词总数的比例
• 支持多语言Unicode字符识别，包括但不限于：
  • 英文字母 (a-z, A-Z)
  • 中文字符 (汉字)
  • 日文字符 (平假名、片假名、汉字)
  • 韩文字符 (谚文)
  • 数字字符 (0-9)

算子参数 #

输入 #

输出 #

占比结果列，元素为浮点数，表示字母数字字符的占比

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字母和数字字符的占比。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.alphanumeric_ratio_calculator import AlphanumericRatioCalculator
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": [
            "HelloWorld123",
            "Hello, world!",
            "!!!@@@###$$$",
            "Test 123! Is it working?",
            "你好Hello123",
        ]
    }

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "alphanumeric_ratio",
        las_udf(
            AlphanumericRatioCalculator,
            construct_args={"tokenization": False},
        )(col("text")),
    )

    ds.show()
    # ╭─────────────────────────┬─────────────────────╮
    # │ text                    ┆ alphanumeric_ratio  │
    # │ ---                     ┆ ---                 │
    # │ Utf8                    ┆ Float64             │
    # ╞═════════════════════════╪═════════════════════╡
    # │ HelloWorld123           ┆ 1.0                 │
    # │ Hello, world!           ┆ 0.7692307692307693  │
    # │ !!!@@@###$$$            ┆ 0.0                 │
    # │ Test 123! Is it work…   ┆ 0.75                │
    # │ 你好Hello123             ┆ 1.0                 │
    # ╰─────────────────────────┴─────────────────────╯