文本数据清洗

您可以使用平台提供的数据清洗功能对文本数据集进行清洗。当您的文本数据中存在emoji(表情等符号)，大量的url时，您可以使用该数据清洗的功能去除。您也可以试用该功能将文本数据中的繁体字转为简体字。需要注意的是，文本数据清洗功能仅支持未标注数据的清洗。您可以参考以下步骤完成文本数据的清洗。

1、创建清洗任务

点击左侧导航栏中的【清洗任务管理】，可进入清洗任务管理页面，点击【新建清洗任务】即可跳转到创建页面，清洗方式选择【文本数据清洗】。

2、选择数据集版本

为保证清洗任务顺利进行： 当您的清洗前后数据集版本为两个数据集时，两个数据集版本均会为您保留；在清洗前选择数据集及版本号，清洗后数据集的名称您可以选择和清洗前保持一致，新增该数据集版本号，也可以创建新的数据集名称，版本号为V1。在选择数据集版本时您需要注意以下几点：

• 清洗前的数据集需为非空且未标注的数据集；
• 目前本系统不支持清洗前后的数据集版本相同；您可以新建清洗后的数据集版本；
• 清洗后数据集版本标注信息需与清洗前保持一致；
• 清洗后数据集的名称可以和清洗前不同

3、选择数据集清洗方式

文本数据的清洗方式目前仅支持通用清洗方案，共有三种，根据您清洗文本数据的需要，您可同时选择1到多种清洗方式(最多可添加3种清洗方式)，以下分别对三种清洗方式进行具体介绍。

• 去除emoji：是指去掉清洗前文本中的表情等符号

• 去除url：是指去掉文本数据中的网页链接

• 繁体转简体：是指讲文本中繁体字转为简体字，通常情况下在使用简体字可以取得更好的模型效果。

4、清洗任务管理

在完成以上步骤后，点击提交，即可完成清洗任务的创建，并返回清洗任务管理页面。

• 任务概览 通过列表页展示任务如下字段：任务序号、清洗类型、开始时间、清洗方式、清洗前后数据集版本、清洗状态、操作。如您在清洗状态为正在清洗中时，想结束清洗任务，您可以点击终止任务。

• 查看详情 点击查看任务详情可看到清洗的结果，如在本文的实例中试用的数据集已去除1个有emoji的样本，说明清洗前文本数据中有一个样本包含emoji，目前已将该样本中emoji去除。点击清洗后数据集即可查看清洗后数据的详细内容。需要注意的是，文本数据清洗后默认了数据去重策略，如您的数据中存在样本重复的情况，将自动去重。