File size: 13,525 Bytes
0063d17 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 |
{
"cells": [
{
"cell_type": "code",
"execution_count": 3,
"id": "29a91458",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Using device: cuda\n"
]
}
],
"source": [
"!python settings.py"
]
},
{
"cell_type": "code",
"execution_count": 4,
"id": "97c0ec5c",
"metadata": {},
"outputs": [],
"source": [
"import os\n",
"import zipfile\n",
"import requests\n",
"import pandas as pd"
]
},
{
"cell_type": "code",
"execution_count": 5,
"id": "f7b1ed51",
"metadata": {},
"outputs": [],
"source": [
"# Download the dataset\n",
"url = 'https://huggingface.co/datasets/tmnam20/BKAI-Legal-Retrieval/resolve/main/archive.zip'\n",
"zip_path = 'data/original/archive.zip'\n",
"\n",
"response = requests.get(url)\n",
"with open(zip_path, 'wb') as f:\n",
" f.write(response.content)\n",
"\n",
"with zipfile.ZipFile(zip_path, 'r') as zip_ref:\n",
" zip_ref.extractall('data/original')\n",
" \n",
"os.remove(zip_path)"
]
},
{
"cell_type": "code",
"execution_count": 6,
"id": "4fe0c4f8",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Train split data: 89592\n",
"Test split data : 29864\n"
]
}
],
"source": [
"corpus_data = pd.read_csv('data/original/corpus.csv')\n",
"train_split = pd.read_csv('data/original/train_split.csv')\n",
"test_split = pd.read_csv('data/original/val_split.csv')\n",
"\n",
"print(f\"Train split data: {len(train_split)}\")\n",
"print(f\"Test split data : {len(test_split)}\")"
]
},
{
"cell_type": "code",
"execution_count": 7,
"id": "6e3fbd6e",
"metadata": {},
"outputs": [
{
"data": {
"text/html": [
"<div>\n",
"<style scoped>\n",
" .dataframe tbody tr th:only-of-type {\n",
" vertical-align: middle;\n",
" }\n",
"\n",
" .dataframe tbody tr th {\n",
" vertical-align: top;\n",
" }\n",
"\n",
" .dataframe thead th {\n",
" text-align: right;\n",
" }\n",
"</style>\n",
"<table border=\"1\" class=\"dataframe\">\n",
" <thead>\n",
" <tr style=\"text-align: right;\">\n",
" <th></th>\n",
" <th>text</th>\n",
" <th>cid</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>Thông tư này hướng dẫn tuần tra, canh gác bảo ...</td>\n",
" <td>0</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>1. Hàng năm trước mùa mưa, lũ, Ủy ban nhân dân...</td>\n",
" <td>1</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>Tiêu chuẩn của các thành viên thuộc lực lượng ...</td>\n",
" <td>2</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>Nhiệm vụ của lực lượng tuần tra, canh gác đê\\n...</td>\n",
" <td>3</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>Phù hiệu của lực lượng tuần tra, canh gác đê\\n...</td>\n",
" <td>4</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"</div>"
],
"text/plain": [
" text cid\n",
"0 Thông tư này hướng dẫn tuần tra, canh gác bảo ... 0\n",
"1 1. Hàng năm trước mùa mưa, lũ, Ủy ban nhân dân... 1\n",
"2 Tiêu chuẩn của các thành viên thuộc lực lượng ... 2\n",
"3 Nhiệm vụ của lực lượng tuần tra, canh gác đê\\n... 3\n",
"4 Phù hiệu của lực lượng tuần tra, canh gác đê\\n... 4"
]
},
"execution_count": 7,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"corpus_data.head()"
]
},
{
"cell_type": "code",
"execution_count": 8,
"id": "3d32d13a",
"metadata": {},
"outputs": [
{
"data": {
"text/html": [
"<div>\n",
"<style scoped>\n",
" .dataframe tbody tr th:only-of-type {\n",
" vertical-align: middle;\n",
" }\n",
"\n",
" .dataframe tbody tr th {\n",
" vertical-align: top;\n",
" }\n",
"\n",
" .dataframe thead th {\n",
" text-align: right;\n",
" }\n",
"</style>\n",
"<table border=\"1\" class=\"dataframe\">\n",
" <thead>\n",
" <tr style=\"text-align: right;\">\n",
" <th></th>\n",
" <th>question</th>\n",
" <th>context</th>\n",
" <th>cid</th>\n",
" <th>qid</th>\n",
" <th>context_list</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>Liên đoàn Luật sư Việt Nam là tổ chức xã hội –...</td>\n",
" <td>['“Điều 2. Địa vị pháp lý của Liên đoàn Luật s...</td>\n",
" <td>[142820]</td>\n",
" <td>72600</td>\n",
" <td>[“Điều 2. Địa vị pháp lý của Liên đoàn Luật sư...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>Tên hợp tác xã bị rơi vào trường hợp cấm thì c...</td>\n",
" <td>['Tên hợp tác xã, liên hiệp hợp tác xã\\n1. Tên...</td>\n",
" <td>[27817, 72117]</td>\n",
" <td>147562</td>\n",
" <td>[\"Điều 7. Tên hợp tác xã, liên hiệp hợp tác xã...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>Tài xế lái xe ô tô khách 50 chỗ ngồi bao lâu t...</td>\n",
" <td>['\"1. Sử dụng lái xe bảo đảm sức khỏe theo tiê...</td>\n",
" <td>[33215, 56201]</td>\n",
" <td>142107</td>\n",
" <td>[\"1. Sử dụng lái xe bảo đảm sức khỏe theo tiêu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>Các bước chuẩn bị thủ thuật bó bột Cravate sẽ ...</td>\n",
" <td>['BỘT CRAVATE\\n...\\nIV. CHUẨN BỊ\\n1. Người thự...</td>\n",
" <td>[148158]</td>\n",
" <td>77353</td>\n",
" <td>[BỘT CRAVATE\\n...\\nIV. CHUẨN BỊ\\n1. Người thực...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>Viên chức Hộ sinh hạng 4 có những nhiệm vụ gì ...</td>\n",
" <td>['Hộ sinh hạng IV - Mã số: V.08.06.16\\n1. Nhiệ...</td>\n",
" <td>[188132]</td>\n",
" <td>113090</td>\n",
" <td>[Hộ sinh hạng IV - Mã số: V.08.06.16\\n1. Nhiệm...</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"</div>"
],
"text/plain": [
" question \\\n",
"0 Liên đoàn Luật sư Việt Nam là tổ chức xã hội –... \n",
"1 Tên hợp tác xã bị rơi vào trường hợp cấm thì c... \n",
"2 Tài xế lái xe ô tô khách 50 chỗ ngồi bao lâu t... \n",
"3 Các bước chuẩn bị thủ thuật bó bột Cravate sẽ ... \n",
"4 Viên chức Hộ sinh hạng 4 có những nhiệm vụ gì ... \n",
"\n",
" context cid qid \\\n",
"0 ['“Điều 2. Địa vị pháp lý của Liên đoàn Luật s... [142820] 72600 \n",
"1 ['Tên hợp tác xã, liên hiệp hợp tác xã\\n1. Tên... [27817, 72117] 147562 \n",
"2 ['\"1. Sử dụng lái xe bảo đảm sức khỏe theo tiê... [33215, 56201] 142107 \n",
"3 ['BỘT CRAVATE\\n...\\nIV. CHUẨN BỊ\\n1. Người thự... [148158] 77353 \n",
"4 ['Hộ sinh hạng IV - Mã số: V.08.06.16\\n1. Nhiệ... [188132] 113090 \n",
"\n",
" context_list \n",
"0 [“Điều 2. Địa vị pháp lý của Liên đoàn Luật sư... \n",
"1 [\"Điều 7. Tên hợp tác xã, liên hiệp hợp tác xã... \n",
"2 [\"1. Sử dụng lái xe bảo đảm sức khỏe theo tiêu... \n",
"3 [BỘT CRAVATE\\n...\\nIV. CHUẨN BỊ\\n1. Người thực... \n",
"4 [Hộ sinh hạng IV - Mã số: V.08.06.16\\n1. Nhiệm... "
]
},
"execution_count": 8,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# 'cid' column: '[1 2 3]'\n",
"train_split['cid'] = train_split['cid'].apply(lambda x: [int(i) for i in x[1:-1].split()])\n",
"test_split['cid'] = test_split['cid'].apply(lambda x: [int(i) for i in x[1:-1].split()])\n",
"\n",
"\n",
"# Mapping from corpus \n",
"mapping = dict(zip(corpus_data['cid'], corpus_data['text']))\n",
"\n",
"def get_context_list(cid_list):\n",
" return [mapping[cid] for cid in cid_list if cid in mapping]\n",
"\n",
"train_split['context_list'] = train_split['cid'].apply(get_context_list)\n",
"test_split['context_list'] = test_split['cid'].apply(get_context_list)\n",
"\n",
"train_split.head()"
]
},
{
"cell_type": "code",
"execution_count": 9,
"id": "e0450414",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"430 99 331\n",
"question <class 'str'>\n",
"context <class 'str'>\n",
"cid <class 'list'>\n",
"qid <class 'numpy.int64'>\n",
"context_list <class 'list'>\n"
]
}
],
"source": [
"# Debug\n",
"print(\n",
" len(train_split[train_split['context_list'].apply(len) != train_split['cid'].apply(len)]),\n",
" \n",
" len(\n",
" train_split[\n",
" (train_split['context_list'].apply(len) != train_split['cid'].apply(len)) &\n",
" (train_split['context_list'].apply(len) != 0)\n",
" ]\n",
" ),\n",
" \n",
" len(\n",
" train_split[\n",
" (train_split['context_list'].apply(len) != train_split['cid'].apply(len)) &\n",
" (train_split['context_list'].apply(len) == 0)\n",
" ]\n",
" )\n",
")\n",
"\n",
"for col in train_split.columns:\n",
" print(col, type(train_split[col][0]))"
]
},
{
"cell_type": "code",
"execution_count": 10,
"id": "fd1eb4a2",
"metadata": {},
"outputs": [],
"source": [
"# Drop invalid data\n",
"train_data = train_split.loc[\n",
" ~(train_split['context_list'].apply(len) != train_split['cid'].apply(len)), \n",
" ['question', 'context_list', 'qid', 'cid']\n",
"]\n",
"\n",
"test_data = test_split.loc[\n",
" ~(test_split['context_list'].apply(len) != test_split['cid'].apply(len)), \n",
" ['question', 'context_list', 'qid', 'cid']\n",
"]"
]
},
{
"cell_type": "code",
"execution_count": 11,
"id": "3661c9cb",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Train data saved: 89162\n",
"Test data saved : 29723\n"
]
}
],
"source": [
"# Save the processed data to parquet files\n",
"corpus_data.to_parquet('data/processed/corpus_data.parquet', index=False)\n",
"train_data.to_parquet('data/processed/train_data.parquet', index=False)\n",
"test_data.to_parquet('data/processed/test_data.parquet', index=False)\n",
"\n",
"print(f\"Train data saved: {len(train_data)}\")\n",
"print(f\"Test data saved : {len(test_data)}\")"
]
},
{
"cell_type": "code",
"execution_count": 12,
"id": "6382a715",
"metadata": {},
"outputs": [],
"source": [
"# # Get demo data\n",
"# os.makedirs('data/demo', exist_ok=True)\n",
"\n",
"# demo_corpus_data = corpus_data.sample(10, random_state=42).reset_index(drop=True)\n",
"# demo_train_data = train_data.sample(10, random_state=42).reset_index(drop=True)\n",
"# demo_test_data = test_data.sample(10, random_state=42).reset_index(drop=True)\n",
"\n",
"# demo_corpus_data.to_csv('data/demo/demo_corpus_data.csv', index=False)\n",
"# demo_train_data.to_csv('data/demo/demo_train_data.csv', index=False)\n",
"# demo_test_data.to_csv('data/demo/demo_test_data.csv', index=False)"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "legal_doc_retrieval",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.10.16"
}
},
"nbformat": 4,
"nbformat_minor": 5
}
|