Stopwords Filter

Documents

stopwords_filter

Stopwords Filter is an Agent Skill for documents published in the cas-bigdatalab/piflow repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.

停用词过滤器。过滤以保持停止词比率大于特定最小值的样本。本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到停用词过滤、停用词比例过滤、文本质量过滤、停用词占比检测等需求时使用此skill。

View on GitHub ↗

QUICK START

How to use this skill

Bring this guide into your coding agent with a prompt tailored to the tool you use.

Open your project in Codex.
Copy and paste the prompt below.
Review files and risks before approving any action.

Prompt to paste

Inspect the Agent Skill at https://github.com/cas-bigdatalab/piflow/blob/HEAD/workspace/skills/stopwords_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/stopwords-filter, but wait for my approval before writing files or running scripts.

Copying this prompt does not install or run the skill. Review third-party files before use.

功能概述

该算子根据停用词在文本中的比例进行过滤，保留停用词比例大于指定最小值的样本。

核心参数

参数	类型	必填	默认值	说明
input_path	string	是	-	输入数据文件路径 (JSON/JSONL格式)
output_path	string	是	-	输出数据文件路径 (JSONL格式)
lang	string	否	'en'	语言代码，影响停用词表和分词方式
tokenization	bool	否	False	是否使用模型进行分词（中文建议开启）
min_ratio	float	否	0.3	最小停用词比例
use_words_aug	bool	否	False	是否使用词语增强（中文建议开启）
num_proc	int	否	1	并行处理的进程数
text_key	string	否	text	要操作的文本字段名

输入数据格式

输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text_key 指定的字段（默认 text）：

{"<text_key>": "这是一段需要检测停用词比例的文本内容"}

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。

使用示例

命令行调用

# 英语停用词过滤
python scripts/run_stopwords_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang en \
  --min_ratio 0.3

# 中文停用词过滤（建议开启 tokenization 和 use_words_aug）
python scripts/run_stopwords_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --tokenization \
  --use_words_aug \
  --min_ratio 0.2

参数说明

--input_path: 输入文件路径
--output_path: 输出文件路径
--lang: 语言代码（默认 en，支持 en, zh, all 等）
--tokenization: 是否使用分词模型（中文建议开启）
--min_ratio: 最小停用词比例（默认0.3）
--use_words_aug: 是否使用词语增强（中文建议开启）
--num_proc: 并行进程数，默认1
--text_key: 要操作的文本字段名（默认text）

注意事项

停用词比例 = 停用词数量 / 总词数
中文处理建议开启 tokenization 和 use_words_aug
处理大量数据时可适当增加 num_proc 提高效率