描述 #

重复行计算器 - 计算文本中重复行的比例

核心功能 #

• 重复行检测：自动识别文本中重复的行内容
• 比例计算：计算重复行数与原始行数的比值
• 质量评估：评估文本的重复程度和质量

应用场景 #

• 文本质量评估
• 数据清洗和预处理
• 内容重复检测
• 文档质量检查

技术特性 #

• 精确匹配：完全相同的内容才算重复
• 空行过滤：自动过滤空白行，不影响计算
• 结果范围：0-1，越接近1表示重复越多

算子参数 #

输入 #

输出 #

重复行比例列，元素为浮点数，表示重复行比例

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重复行的比例。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.repeated_lines_calculator import RepeatedLinesCalculator
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": [
            "第一行内容\n第二行内容\n第一行内容\n第三行内容",
            "第一行内容\n第一行内容\n第一行内容",
            "第一行内容\n\n第二行内容\n   \n第三行内容",
        ]
    }

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "repeated_ratio",
        las_udf(
            RepeatedLinesCalculator,
            construct_args={},
        )(col("text")),
    )

    ds.show()
    
    # ╭────────────┬────────────────────╮
    # │ text       ┆ repeated_ratio     │
    # │ ---        ┆ ---                │
    # │ String     ┆ Float64            │
    # ╞════════════╪════════════════════╡
    # │ 第一行内容 ┆ 0.25               │
    # │ 第二行内容 ┆                    │
    # │ 第一行内容 ┆                    │
    # │ 第三行内容 ┆                    │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 第一行内容 ┆ 0.6666666666666666 │
    # │ 第一行内容 ┆                    │
    # │ 第一行内容 ┆                    │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 第一行内容 ┆ 0                  │
    # │            ┆                    │
    # │ 第二行内容 ┆                    │
    # │            ┆                    │
    # │ 第三行内容 ┆                    │
    # ╰────────────┴────────────────────╯