README.md

metadata

language:
  - zh
  - en
task_categories:
  - translation
modalities:
  - text
tags:
  - machine-translation

WMT19 中英翻译分词数据集

这是一个基于 WMT19 新闻翻译任务的中英平行语料库，已经进行了分词预处理。数据集包含训练集和验证集，每对数据都经过分词处理，适合直接用于机器翻译模型训练。

数据集详情

数据来源

• 原始数据：WMT19 新闻翻译任务 (zh-en)
• 来源网址：https://huggingface.co/datasets/wmt/wmt19

预处理步骤

1. 从原始 WMT19 数据集中提取中英文句子对
2. 中文分词：使用 HanLP 进行分词
3. 英文分词：使用空格分词，并转换为小写
4. 保存为 (英文分词列表, 中文分词列表) 格式

数据格式

数据以 Parquet 格式存储，每个文件包含两列：

• en：英文分词列表 (list of strings)
• zh：中文分词列表 (list of strings)

数据集统计

数据集	文件数	总大小	样本数	压缩格式
训练集	6	4.02 GB	25,984,574	Snappy
验证集	1	612 KB	3,981	Snappy

文件列表

训练集文件

• wmt19_train_data_pairs_0.parquet (709 MB)
• wmt19_train_data_pairs_1.parquet (791 MB)
• wmt19_train_data_pairs_2.parquet (790 MB)
• wmt19_train_data_pairs_3.parquet (835 MB)
• wmt19_train_data_pairs_4.parquet (747 MB)
• wmt19_train_data_pairs_5.parquet (145 MB)

验证集文件

• wmt19_val_data_pairs_0.parquet (612 KB)

使用方法

使用 Pandas 读取

import pandas as pd

# 读取单个文件
df = pd.read_parquet("wmt19_train_data_pairs_0.parquet")
print(f"样本数: {len(df)}")
print(f"示例:\n英文: {df.iloc[0]['en']}\n中文: {df.iloc[0]['zh']}")

批量读取训练集

import glob
import pandas as pd

train_files = sorted(glob.glob("wmt19_train_data_pairs_*.parquet"))
dfs = [pd.read_parquet(f) for f in train_files]
full_df = pd.concat(dfs, ignore_index=True)
print(f"总训练样本数: {len(full_df):,}")

许可证

本数据集基于 WMT19 数据集创建，遵循原始数据集的许可证。WMT19 数据集通常允许用于研究和学术目的，但请在使用前确认具体的许可证条款。

注意事项

1. 数据集已进行分词处理，适合直接用于机器翻译模型训练
2. 中文分词使用 HanLP，可能与您的分词需求有所不同
3. 英文已全部转为小写，注意这可能会影响某些任务的性能
4. 文件使用 Snappy 压缩，读取时需要支持该格式的库

数据集的制作代码

import os
import glob
import pickle
import pandas as pd
from pyhanlp import *
from tqdm import tqdm
from datasets import load_dataset
from huggingface_hub import HfApi, delete_file

# 每批处理的样本数 (根据内存调整)
seg_batch_size = 10_0000

def hanlp_segment(text):
    """HanLP单句分词"""
    terms = HanLP.segment(text)
    return [term.word for term in terms]


def seg_dataset(name, dataset):
    """对数据集进行分词处理"""
    dataset_en = []
    dataset_zh = []
    for item in tqdm(dataset, desc="分别提取中英文本"):
        item_translation = item["translation"]
        dataset_en.append(item_translation["en"])
        dataset_zh.append(item_translation["zh"])
    assert len(dataset_en) == len(dataset_zh) == len(dataset)

    for i in tqdm(range(0, len(dataset), seg_batch_size), desc="中英文分词"):
        batch_en = dataset_en[i : i + seg_batch_size]
        batch_zh = dataset_zh[i : i + seg_batch_size]

        # 中英文分词
        en_tokens_batch = [text.lower().split() for text in batch_en]
        zh_tokens_batch = [hanlp_segment(text) for text in batch_zh]
        del batch_zh, batch_en

        # 合并成数据对
        data_pairs = []
        for en_tokens, zh_tokens in zip(en_tokens_batch, zh_tokens_batch):
            data_pairs.append((en_tokens, zh_tokens))
        del en_tokens_batch, zh_tokens_batch

        with open(f"wmt19_data/wmt19_{name}_data_pairs_{i//seg_batch_size:04d}.pkl", "wb") as f:
            pickle.dump(data_pairs, f)
        del data_pairs


def merge_data_pairs(name, save_size=50):
    """合并分词结果"""
    data_pairs = []
    input_idx, output_idx = 0, 0
    for input_idx, file in enumerate(sorted(glob.glob(f"wmt19_data/wmt19_{name}_data_pairs_*.pkl"))):
        print(f"正在合并 {file}")
        with open(file, "rb") as f:
            part_data_pairs = pickle.load(f)
            data_pairs.extend(part_data_pairs)
            del part_data_pairs

        if (input_idx + 1) % save_size == 0:
            save_filename = f"wmt19_{name}_data_pairs_{output_idx}.pkl"
            print(f"保存中间结果到 {save_filename}")
            with open(save_filename, "wb") as f:
                pickle.dump(data_pairs, f)
            del data_pairs
            data_pairs = []
            output_idx += 1

    if data_pairs:
        save_filename = f"wmt19_{name}_data_pairs_{output_idx}.pkl"
        print(f"保存中间结果到 {save_filename}")
        with open(save_filename, "wb") as f:
            pickle.dump(data_pairs, f)


def upload_data_to_hf():
    """将分词后的数据上传到 Hugging Face 数据集仓库"""
    # 登录
    api = HfApi()
    repo_id = "EthanCao/wmt19_zh_en_segment"

    # 上传所有文件
    all_files = glob.glob("wmt19_*_data_pairs_*.pkl")
    for pkl_file in all_files:
        # 读取 pickle 文件
        print(f"处理 {pkl_file}")
        with open(pkl_file, "rb") as f:
            data = pickle.load(f)

        # 转换为 Parquet
        df = pd.DataFrame(data, columns=["en", "zh"])
        del data

        # 生成新的文件名 (改后缀为 .parquet)
        parquet_file = pkl_file.replace(".pkl", ".parquet")
        df.to_parquet(parquet_file, compression="snappy", engine="pyarrow")
        del df

        # 获取文件大小
        pkl_size = os.path.getsize(pkl_file) / (1024**2)  # MB
        parquet_size = os.path.getsize(parquet_file) / (1024**2)  # MB
        print(f"  {pkl_size:.1f} MB -> {parquet_size:.1f} MB")
        print(f"  压缩率: {parquet_size/pkl_size*100:.1f}%")

        # 上传到 Hugging Face
        print(f"  上传 {parquet_file}")
        try:
            delete_file(
                path_in_repo=parquet_file,
                repo_id=repo_id,
                repo_type="dataset",
                commit_message=f"删除旧文件 {parquet_file}, 准备上传新文件",
            )
            print(f"  已删除旧文件 {parquet_file}")
        except Exception as e:
            print(f"  无需删除旧文件 {parquet_file}")

        api.upload_file(
            path_or_fileobj=parquet_file,
            path_in_repo=parquet_file,
            repo_id=repo_id,
            repo_type="dataset",
        )

    print(f"\n所有文件上传完成！")
    print(f"共处理 {len(all_files)} 个文件")
    print(f"数据集地址: https://huggingface.co/datasets/{repo_id}")


def main():
    print("从HF加载wmt19数据集")
    train_dataset = load_dataset("wmt19", "zh-en", split="train")
    val_dataset = load_dataset("wmt19", "zh-en", split="validation")

    # 对数据集进行分词
    os.makedirs("wmt19_data", exist_ok=True)
    seg_dataset("train", train_dataset)
    seg_dataset("val", val_dataset)

    print("合并分词结果")
    merge_data_pairs("train", save_size=50)
    merge_data_pairs("val", save_size=50)

    print("上传分词数据到Hugging Face")
    upload_data_to_hf()


if __name__ == "__main__":
    main()