stopwords-filter

name	stopwords_filter
description	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。
name_zh	停用词过滤器算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入数据文件路径 (JSON/JSONL格式)"},{"name":"output_path","type":"string","required":true,"description":"输出数据文件路径 (JSONL格式)"},{"name":"lang","type":"string","required":false,"default":"en","description":"语言代码（支持 en, zh, all 等）"},{"name":"tokenization","type":"bool","required":false,"default":false,"description":"是否使用模型进行分词（中文建议开启）"},{"name":"min_ratio","type":"float","required":false,"default":0.3,"description":"最小停用词比例"},{"name":"use_words_aug","type":"bool","required":false,"default":false,"description":"是否使用词语增强（中文建议开启）"},{"name":"num_proc","type":"int","required":false,"default":1,"description":"并行处理的进程数"},{"name":"text_key","type":"string","required":false,"default":"text","description":"要操作的文本字段名"}]
output_params	[{"name":"output_path","type":"jsonl_file","description":"过滤后的JSONL格式数据文件"}]
tag	数据筛选
publisher	COMMUNITY

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）