菜单
单词重复比例过滤器。过滤器将单词级n-gram重复比率的样本保持在特定范围内。 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 当用户提到单词重复过滤、文本重复比例过滤、n-gram重复过滤、清理重复内容等需求时使用此skill。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/cas-bigdatalab/piflow --skill word-repetition-filter命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
Dataspace 文件输入源算子。用于根据 Dataspace 数据源实例 ID 和空间内文件路径下载单个文件，并将该文件作为工作流输入提供给下游算子。该算子没有上游输入，必须作为 DAG 的起始节点使用。
Dataspace 文件输出终止算子。用于接收上游算子的单个文件输出，按指定相对目录上传到 Dataspace 空间目录中，实际文件名自动沿用输入文件名。该算子必须作为 DAG 的终止节点使用。
用于编辑或创建 Gaussian 输入文件（.gjf），支持添加 Link 0 指令（%chk、%oldchk、%nprocshared、%mem）、Route 行关键词、电荷和多重度。可对已有 gjf 文件进行参数填充，也可从零创建新的 gjf 文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | word_repetition_filter |
| description | 单词重复比例过滤器。过滤器将单词级n-gram重复比率的样本保持在特定范围内。 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 当用户提到单词重复过滤、文本重复比例过滤、n-gram重复过滤、清理重复内容等需求时使用此skill。 |
| name_zh | 单词重复比例过滤器算子 |
| 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"},{"name":"tokenization","type":"bool","required":false,"default":false,"description":"是否使用分词模型"},{"name":"rep_len","type":"int","required":false,"default":10,"description":"n-gram 重复长度"},{"name":"min_ratio","type":"float","required":false,"default":0,"description":"最小重复比率"},{"name":"max_ratio","type":"float","required":false,"default":0.5,"description":"最大重复比率"},{"name":"batch_size","type":"int","required":false,"default":1,"description":"批处理大小"},{"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 |
该算子计算单词级 n-gram 重复比率，过滤保留重复比率在指定范围内的样本。
| 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 |
| tokenization | bool | 否 | False | 是否使用分词模型 |
| rep_len | int | 否 | 10 | n-gram 重复长度 |
| min_ratio | float | 否 | 0.0 | 最小重复比率 |
| max_ratio | float | 否 | 0.5 | 最大重复比率 |
| batch_size | int | 否 | 1 | 批处理大小 |
| 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>": "这是一段需要检测重复比例的文本内容"}
输出为 JSONL 格式，每行一个符合条件的样本。
# 英语单词重复过滤
python scripts/run_word_repetition_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--rep_len 3 \
--min_ratio 0.0 \
--max_ratio 0.2
# 中文单词重复过滤
python scripts/run_word_repetition_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang zh \
--tokenization \
--rep_len 3 \
--min_ratio 0.0 \
--max_ratio 0.2
--input_path: 输入文件路径--output_path: 输出文件路径--lang: 语言代码（默认 en）--tokenization: 是否使用分词模型--rep_len: n-gram 重复长度（默认10）--min_ratio: 最小重复比率（默认0.0）--max_ratio: 最大重复比率（默认0.5）--batch_size: 批处理大小（默认1）--num_proc: 并行进程数，默认1--text_key: 要操作的文本字段名（默认text）tokenization