clef/ersik 2017
該資料集由887個reddit使用者組成，分為抑鬱症患者(positive)和正常人(negative)兩類。
每個使用者的文字按時間順序排列，並被分成10個chunk。其中chunk1包括最舊的10％的訊息，chunk2包括第二個最舊的10％的資訊，依此類推。
rsdd
該資料集**於公開可用的reddit帖子，其中包含超過9,000名自曝抑鬱症診斷使用者與超過107,000名匹配的對照使用者。
資料採用json格式，每行是代表乙個使用者的陣列，標籤字段包括使用者的標籤(control或depression)，posts欄位包含(timestamp，untokenized post)對。
文字識別 文字檢測資料集
1 chinese text in wild ctw 包含平面文字，凸起文字，城市文字，農村文字，低亮度文字，遠處文字，部分遮擋文字。影象大小2048 2048，資料集大小為31gb。8 1 1 比例訓練集 25887張影象，812872個漢字 測試集 3269張影象，103519個漢字 驗證集 3...
pandas文字資料
文字資料 string型別的性質 string與object的區別 字元訪問方法 string accessor methods，如str.count 會返回相應資料的nullable型別，而object會隨著缺失值的存在而改變返回型別 某些series 法不能在string上使 如 series....
如何處理乙個文字資料集
目前有大量的資料集，但是不一定每個資料集對於你來說是一上手就可以使用的。而資料預處理對於乙個文字分類的結果來說，是非常重要的。目前我記錄一下我的資料預處理的一些方式 文字資料集有許多的不同的語種，就目前而言，中文，英文這些相對使用量大的語言，那麼這樣就分為大語種和小語種有不同的處理方式了。大語種的話...