| name | data_splitter |
| description | JSONL比例切分工具。读取JSONL数据集，按给定比例拆成多个子集，支持随机切分和按字段分层切分。
当用户明确提到按比例拆分JSONL、训练集/验证集/测试集切分、分层保持类别分布等需求时使用此skill。
即使用户没有明确说出"切分"，只要任务是把一份JSONL按比例分成多个子集，就应该使用此skill。
不负责按固定条数均匀分块，不负责按份数切块，也不负责处理非JSONL输入。
|
| name_zh | 数据分割算子 |
| input_params | [{"name":"input","type":"string","required":true,"description":"输入JSONL文件路径"},{"name":"outputs","type":"string","required":true,"description":"输出文件路径，逗号分隔"},{"name":"ratios","type":"string","required":true,"description":"分割比例，逗号分隔（如0.7,0.2,0.1）"},{"name":"stratify_field","type":"string","required":false,"default":"","description":"分层字段（用于分层分割）"},{"name":"seed","type":"string","required":false,"default":"42","description":"随机种子"},{"name":"log_file","type":"string","required":false,"default":"","description":"日志文件路径"}] |
| output_params | [{"name":"outputs","type":"list","description":"分割后的数据子集"},{"name":"split_stats","type":"object","description":"分割统计信息"}] |
| tag | 切分与采样 |
Data Splitter 数据分割 Skill
功能概述
本skill用于将JSONL数据集按比例拆分为多个子集，支持：
- 随机切分：打乱后按比例拆分
- 分层切分：按指定字段保持类别分布一致
触发条件
当用户请求以下任务时，应使用此skill：
- 按比例拆分JSONL
- 训练集/验证集/测试集拆分
- 数据集切分
- 分层切分
- JSONL样本拆分
核心参数说明
必需参数
| 参数 | 说明 |
|---|
--input | 输入JSONL文件路径 |
--outputs | 输出文件路径，逗号分隔 |
--ratios | 分割比例，逗号分隔 |
可选参数
| 参数 | 说明 | 默认值 |
|---|
--stratify_field | 分层字段 | 空 |
--seed | 随机种子 | 42 |
--log_file | 日志文件路径 | 空 |
输入文件格式
{"id": 1, "category": "A", "text": "样本1"}
{"id": 2, "category": "A", "text": "样本2"}
{"id": 3, "category": "B", "text": "样本3"}
{"id": 4, "category": "C", "text": "样本4"}
使用方法
随机切分
python scripts/run_data_splitter.py \
--input data.jsonl \
--outputs train.jsonl,valid.jsonl,test.jsonl \
--ratios 0.7,0.2,0.1 \
--seed 42
分层切分
python scripts/run_data_splitter.py \
--input data.jsonl \
--outputs train.jsonl,valid.jsonl,test.jsonl \
--ratios 0.7,0.2,0.1 \
--stratify_field category \
--seed 42
输出示例
[OK] Data splitting completed
[train.jsonl] 7 records (70.0%)
[valid.jsonl] 2 records (20.0%)
[test.jsonl] 1 records (10.0%)
Input: data.jsonl
Total records: 10
Split ratios: [0.7, 0.2, 0.1]
Stratified: True
Stratify field: category
Random seed: 42
环境要求
python scripts/run_data_splitter.py --help
注意事项
--outputs 的数量必须与 --ratios 一致。--ratios 的总和建议为 1.0。- 分层切分适合类别不平衡数据，但小样本类别仍可能受整数取整影响。
- 输入必须是 JSONL，每行一个 JSON 对象。
