key-value-grouper

name	key_value_grouper
description	根据给定键中的值将样本分组为批处理样本。当用户提到样本分组、按键值分组、批处理样本、按键聚合、分组聚合等需求时使用此skill。 即使用户没有明确说出"分组"，只要任务涉及将多个样本按某个字段/键的值进行归类合并，就应该使用此skill。
name_zh	根据给定键中的值将样本分组为批处理样本算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入JSON文件路径"},{"name":"output_path","type":"string","required":true,"description":"输出JSON文件路径"},{"name":"group_by_keys","type":"string","required":false,"default":"text","description":"分组键，逗号分隔，支持嵌套键如 \"meta.language\""}]
output_params	[{"name":"output_path","type":"json_file","description":"分组后的JSON文件，每组样本的字段值为数组"}]
tag	数据衍生
publisher	COMMUNITY

Key Value Grouper

根据给定键中的值将样本分组为批处理样本。

本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用同以下指令进行安装：

pip install py-data-juicer

核心参数

参数	类型	必填	默认值	说明
input_path	string	是	-	输入JSON文件路径
output_path	string	是	-	输出JSON文件路径
group_by_keys	string	否	"text"	分组键，逗号分隔，支持嵌套键如 "meta.language"

使用方法

python scripts/run_key_value_grouper.py --input_path <input_path> --output_path <output_path> [--group_by_keys <keys>]

实现原理

参照测试代码中的 _run_helper 函数：

# 1. 将输入列表转换为Dataset
dataset = Dataset.from_list(samples)

# 2. 初始化算子并执行
op = KeyValueGrouper(group_by_keys=['meta.language'])
new_dataset = op.run(dataset)

# 3. 遍历分组结果
for batched_sample in new_dataset:
    lang = batched_sample['meta'][0]['language']

输入输出格式

输入格式 (JSON数组)

[
  {"text": "Hello world", "meta": {"language": "en"}},
  {"text": "Hello world", "meta": {"language": "en"}},
  {"text": "欢迎来到阿里巴巴！", "meta": {"language": "zh"}}
]

输出格式 (JSON数组，每个元素是一组样本)

[
  {"text": ["Hello world", "Hello world"], "meta": [{"language": "en"}, {"language": "en"}]},
  {"text": ["欢迎来到阿里巴巴！"], "meta": [{"language": "zh"}]}
]

示例

示例1：按默认text字段分组

执行：

python scripts/run_key_value_grouper.py --input_path example_input.json --output_path output.json

示例2：按meta.language分组

执行：

python scripts/run_key_value_grouper.py --input_path example_input.json --output_path output.json --group_by_keys "meta.language"

注意事项

• 支持嵌套键，使用点号分隔（如 "meta.language"）
• 支持多键分组，逗号分隔（如 "meta.lang,meta.topic"）
• 相同键值的样本会被合并为一组，合并后的字段值为数组