任务回顾

在$\text{apply}$方法的使用一节中，简单提到了任务目标：通过关键词的形式，在文本数据中体现出主体的工作类型。

但这个目标执行之前，可以尝试对数据先一步进行清洗：如果文本数据满足一些关键词构成的模板，这种数据更容易地被查找出与工作性质相关的信息，而不需要去观察文本数据的其他位置。例如如下几组关键词组成模板：

mode = {1:['进行','作业'],2:['进行','工作'],3:['操作','时'],4:['操作','过程中']
}

在一些示例中，可以轻松地通过这些模板推理出主体对应的工作性质。例如：

某人在车间内操作钻床时，不小心被铁屑蹭伤。

结合上述模板，可以直接观察出：主体的工作性质和钻床相关。从而引出上一节使用展示工具gradio实现一个通过单元素/多元素顺序匹配筛选表格数据的简单交互平台，本节将对其进行进一步优化。

新的想法：无效元素筛选

在单元素/多元素思路的启发后，想起了《三体3：死神永生》中的低光速黑域：

若星球被低光速黑域笼罩，外星文明远远地看上一眼，就知道是绝对安全的——光都无法逃离出来，黑域内的生物自然无法逃离，这就是宇宙安全声明。

言归正传，在文本数据中是否也可能存在这种情况——“远远”地看上一眼，就可以知道：文本内信息对于主体工作性质的描述几乎无关联。例如：

某人在上班途中，与电动车相撞受伤。

分析：首先文本中并没有直接描述主体的工作性质信息(岗位、职位)，其次可以通过推理：上班途中，意味着其没有到达预定岗位开始工作，可以归纳出：上班途中发生的事情，大概率与主体的工作性质无关。
也存在极个别情况~但减轻工作量的目的确实达到了。

想法有了，继续使用展示工具gradio对交互平台进行优化，包含两个方面：

• 加入无效元素筛选功能：只要数据中出现关键词，将该数据在本次匹配筛选过程中去除；
• 与关键词模板功能不冲突：各自可以单独执行，也可以混用。

界面搭建

import gradio as gr
from file_generator import generate_fileclass CONST:file_type_list = ['xlsx']def submit(input_file,invalid_task,invalid_keyword_input,task,keyword_input,desc):print(f'task:{task}')print(f'keyword_input:{keyword_input}')print(f'invalid_task:{invalid_task}')print(f'invalid_keyword_input:{invalid_keyword_input}')# 输入文件格式设置if '\\' in input_file:input_file = input_file.replace('\\','/')suf = input_file.split('.')[-1]if suf not in CONST.file_type_list:raise gr.Error('不支持的格式:{},请检查文件格式'.format(suf))if not invalid_task and not task:raise gr.Error('[无效元素匹配]与[单/多元素匹配]至少选择一个')else:# [无效元素匹配]逻辑描述if invalid_task:if invalid_keyword_input:if invalid_task == '禁用':raise gr.Error('无效元素匹配[禁用]时,无法输入无效元素') # 选择禁用时,文本框不可用else:if '，' in invalid_keyword_input:invalid_keyword_input = invalid_keyword_input.replace('，',',')if ',' in invalid_keyword_input:invalid_keyword_list = invalid_keyword_input.split(',')else:invalid_keyword_list = [invalid_keyword_input]else:if invalid_task == '启用':raise gr.Error('无效元素匹配[启用]时,请输入无效元素') # 选择启用时,文本框内必须输入无效元素else:invalid_keyword_list = list()else:invalid_keyword_list = list() # 未选择使用[无效元素匹配]# [单/多元素匹配]逻辑描述if task:if not keyword_input:raise gr.Error('请输入匹配关键词')  # 已选择[单/多元素匹配]条件下,文本框内必须输入匹配元素else:if '，' in keyword_input:keyword_input = keyword_input.replace('，',',')if ',' in keyword_input:if task == '单元素匹配':raise gr.Error('单元素匹配模式不支持输入多个关键词')else:keyword_list = keyword_input.split(',')else:if task == '多元素匹配':raise gr.Error('多元素匹配模式不支持输入单个关键词')else:keyword_list = [keyword_input]else:task = '无元素匹配'keyword_list = list() # 未选择使用[单/多元素匹配]output = generate_file(input_file,task,invalid_task,keyword_list,invalid_keyword_list)return outputdescription = """
1. 单元素匹配:筛选出包含输入元素的样本;
2. 多元素匹配:筛选出按输入元素顺序,包含输入元素的样本;3. 无效元素匹配:元素匹配过程中，一旦出现无效元素，则不包含该样本;
一次性可以输入多个元素，使用逗号(英文)分隔;
例: 上班途中,下班途中,...4. [无效元素匹配]与[单/多元素匹配]操作之间可单独使用,也可混用;
"""demo = gr.Interface(fn=submit,inputs = [gr.File(file_count="single",label="上传文件",file_types=CONST.file_type_list),# 无效元素匹配gr.Radio(choices=['启用','禁用'],label='无效元素匹配'),gr.Textbox(label='无效关键词',placeholder='可以一次输入多个数据,使用逗号(英文)间隔;若选择禁用,文本框为空'),# 匹配元素单选框gr.Radio(choices=['单元素匹配','多元素匹配'],label='选择元素匹配模式'),gr.Textbox(label='匹配关键词',placeholder='请输入匹配关键词'),gr.Text(description,label='使用说明')],outputs=gr.File(label='输出文件'),title='单元素/多元素匹配筛选数据',examples=[['测试文件.xlsx','启用','上班途中,下班途中','',''],['测试文件.xlsx','禁用','','',''],['测试文件.xlsx','','','单元素匹配','作业时'],['测试文件.xlsx','','','多元素匹配','操作,过程中'],['测试文件.xlsx','启用','上班途中,下班途中','多元素匹配','操作,时']]
)demo.launch(share=True, server_name='0.0.0.0',server_port=8706)

数据处理与生成过程

import pandas as pd
import osdef sorted_keywords_update(df,task,invalid_task,keyword_list,invalid_keyword_list):def sorted_keywords(str_input,sorted_word_list):"""查找列表中的关键词,如果关键词有序地匹配成功返回True,否则返回False"""count = 0while count < len(sorted_word_list):if sorted_word_list[count] in str_input:str_input = "".join(str_input.split(sorted_word_list[count])[1:])count += 1else:breakif count == len(sorted_word_list):return Trueelse:return Falsedef eliminate_invalid(df_input,invalid_keyword_list):"""无效元素匹配[启用]状态下,筛除包含invalid_keyword_list内词对应的行"""for invalid_word in invalid_keyword_list:df_input = df_input[~df_input['文本信息'].str.contains(invalid_word)]return df_inputdef mode_2_rules(row):"""多元素匹配模式规则"""return sorted_keywords(row['文本信息'],keyword_list) == Truedef mode_1_rules(df_input, keyword_list):"""单元素匹配模式规则"""assert len(keyword_list) == 1contain_df = df_input[df_input['文本信息'].str.contains(keyword_list[0])]return contain_df# 删除字段中的空元素sub_df = df[~df['文本信息'].isna()]# 筛选无效元素过程if invalid_task == '启用':invalid_sub_df = eliminate_invalid(sub_df,invalid_keyword_list)else:invalid_sub_df = sub_df #[禁用/未选择]时不做处理;# 元素匹配过程if task == '单元素匹配':contain_df = mode_1_rules(invalid_sub_df,keyword_list)elif task == '多元素匹配':contain_df = invalid_sub_df[invalid_sub_df.apply(mode_2_rules,axis=1)]else:contain_df = invalid_sub_df #同上，[未选择]时不做处理;# 创建输出文件夹并输出文件output_dir = f'./output/match_keyword/{task}'output_path = f'{output_dir}/{task}_res.xlsx'os.makedirs(output_dir, exist_ok=True)contain_df.to_excel(output_path,index=False)return output_pathdef generate_file(file_path,task,invalid_task,keyword_input,invalid_keyword_input):"""file_path: 待优化数据文件路径task: 匹配模式:[单模式匹配,多模式匹配]invalid_task: 无效匹配模式:[启用,禁用]keyword_input: 匹配关键词invalid_keyword_input: 无效匹配关键词"""df = pd.read_excel(file_path)# 数据生成平台output_file_path = sorted_keywords_update(df,task,invalid_task,keyword_input,invalid_keyword_input)return output_file_path

交互界面展示

初始状态下，交互界面的展示效果如下：
试了几个例子~

执行结束后，交互界面的展示效果如下：