| name | batch_data_splitter |
| description | 批量数据均匀分片工具。读取json/jsonl/csv输入，按份数或固定条数切成多个子文件，输出一个清单JSON供下游节点消费。
当用户提到数据分割、批量拆分、数据分片、均匀分块等需求时使用此skill。
即使用户没有明确说出"分片"，只要任务是把整份批量数据均匀拆成多个文件，就应该使用此skill。
不负责按字段分组导出或随机采样。
|
| name_zh | 批量数据均匀分割算子 |
| input_params | [{"name":"input","type":"string","required":true,"description":"输入文件路径（支持json/jsonl/csv）"},{"name":"output_dir","type":"string","required":true,"description":"分割结果输出目录路径"},{"name":"num_splits","type":"string","required":false,"default":"0","description":"分割份数（0表示按chunk_size分割）"},{"name":"chunk_size","type":"string","required":false,"default":"1000","description":"每份样本数量"},{"name":"output_prefix","type":"string","required":false,"default":"split","description":"输出文件名前缀"},{"name":"shuffle","type":"string","required":false,"default":"False","description":"是否打乱顺序后分割"},{"name":"random_seed","type":"string","required":false,"default":"42","description":"随机种子（shuffle时使用）"}] |
| output_params | [{"name":"output_dir","type":"file","default":"output_manifest.json","description":"分割结果清单文件路径（JSON，含 splits_dir/output_files/total_count/actual_num_splits/samples_per_split）"}] |
| tag | 切分与采样 |
Batch Data Splitter 批量数据均匀分割 Skill
功能概述
本skill面向大容量批量数据集进行均等分割，可设定分割份数或单份样本容量，将整体数据集均匀划分为多组子数据集。
无差别平均分配原始样本，保持各组数据分布一致性，适配流水线分批运算、多任务并行处理、数据分库存储等业务场景。
触发条件
当用户请求以下任务时，应使用此skill：
- 批量拆分
- 数据分片
- 均匀划分
- 按份数切块
- 按固定条数切块
核心参数说明
必需参数
--input：输入文件路径--output_dir：输出清单文件路径（JSON），实际分割文件写入同名 _splits/ 子目录
可选参数
--num_splits：分割份数，默认 0（0 表示按 chunk_size 分割）--chunk_size：每份样本数量，默认 1000--output_prefix：输出文件名前缀，默认 split--shuffle：是否打乱顺序，默认 false--random_seed：随机种子，默认 42
输入文件格式
支持 json、jsonl、csv。
使用方法
按份数分割
python scripts/run_batch_data_splitter.py \
--input corpus.csv \
--output_dir ./splits_manifest.json \
--num_splits 10
按每份数量分割
python scripts/run_batch_data_splitter.py \
--input corpus.csv \
--output_dir ./splits_manifest.json \
--chunk_size 5000
打乱后分割
python scripts/run_batch_data_splitter.py \
--input corpus.csv \
--output_dir ./splits_manifest.json \
--num_splits 5 \
--shuffle true
输出示例
[OK] Batch data splitting completed!
Input file: corpus.csv
Total samples: 11
Number of splits: 4
Samples per split: [3, 3, 3, 2]
Manifest file: ./splits_manifest.json
Splits directory: ./splits_manifest_splits
Output files:
- split_001.csv (3 samples)
- split_002.csv (3 samples)
- split_003.csv (3 samples)
- split_004.csv (2 samples)
环境要求
注意事项
- 如果总数不能整除，最后一份可能样本数较少。
num_splits 优先级高于 chunk_size。- 当
num_splits 大于总样本数时，会自动收敛为最多生成 total_count 份。
- 输出文件名格式：
{prefix}_{序号}.{扩展名}。
--output_dir 指定的是清单 JSON 文件路径，实际分割文件写入同名 _splits/ 子目录，是引擎下游节点可消费的单文件输出。- 这里只做均匀分片，不做比例拆分或分层保持。
