Skill v1.0.0

version: "1.0.0" name: csv_formatter description: | CSV格式化器。用于加载和格式化csv类型的文件。 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CSV格式化、CSV数据加载、读取CSV文件、CSV转JSONL等需求时使用此skill。

name_zh: CSV格式化器算子 input_params:

• name: input_path

type: string required: true description: 输入CSV文件路径或目录

• name: output_path

type: string required: true description: 输出JSONL文件路径

• name: text_keys

type: list required: false description: 文本字段名列表

• name: add_suffix

type: bool required: false default: false description: 是否添加文件后缀信息

• name: num_proc

type: int required: false default: 1 description: 并行处理的进程数

• name: encoding

type: string required: false default: utf-8 description: CSV文件编码格式

output_params:

• name: output_path

type: jsonl_file description: 格式化后的JSONL文件 tag: 数据转换 publisher: COMMUNITY

功能概述

该算子用于加载 CSV 格式的文件并格式化为统一的数据集格式，输出为 JSONL 格式。

核心参数

输入数据格式

输入可以是：

1. 单个 CSV 文件：/path/to/data.csv
2. CSV 文件目录：/path/to/csv_directory/

输出数据格式

输出为 JSONL 格式，每行一个样本。

使用示例

命令行调用

# 加载单个CSV文件
python scripts/run_csv_formatter.py \
  --input_path /path/to/input.csv \
  --output_path /path/to/output.jsonl
 
# 指定文本字段
python scripts/run_csv_formatter.py \
  --input_path /path/to/input.csv \
  --output_path /path/to/output.jsonl \
  --text_keys text \
  --text_keys title
 
# 加载目录中的所有CSV文件
python scripts/run_csv_formatter.py \
  --input_path /path/to/csv_directory \
  --output_path /path/to/output.jsonl \
  --add_suffix
 
# 指定编码格式（如GBK）
python scripts/run_csv_formatter.py \
  --input_path /path/to/input.csv \
  --output_path /path/to/output.jsonl \
  --encoding gbk

参数说明

• --input_path: 输入CSV文件或目录路径
• --output_path: 输出JSONL文件路径
• --text_keys: 文本字段名，可重复指定多个
• --add_suffix: 是否添加文件后缀信息
• --num_proc: 并行进程数，默认1
• --encoding: CSV文件编码格式，默认utf-8，如GBK文件可指定 --encoding gbk

注意事项

1. 输入文件必须是有效的 CSV 格式
2. text_keys 用于标识哪些字段是文本字段
3. 空值或None的文本样本会被自动过滤