Datasets:

cassandra-themis
/

QR-AN

@@ -1,162 +0,0 @@
-import json
-import os
-import datasets
-from datasets.tasks import TextClassification
-_CITATION = None
-_DESCRIPTION = """\
- QR-AN Dataset: a classification dataset on french Parliament debates
- This is a dataset for theme/topic classification, made of questions and answers from https://www2.assemblee-nationale.fr/recherche/resultats_questions.
- It contains 188 unbalanced classes, 80k questions-answers divided into 3 splits: train (60k), val (10k) and test (10k).
-"""
-_LABELS = [
-    'administration', 'agriculture', 'agroalimentaire', 'aménagement du territoire', 'anciens combattants et victimes de guerre',
-    'animaux', 'aquaculture et pêche professionnelle', 'architecture', 'archives et bibliothèques', 'armes', 'arts et spectacles',
-    'associations', 'assurance invalidité décès', 'assurance maladie maternité : généralités', 'assurance maladie maternité : prestations',
-    'assurances', 'audiovisuel et communication', 'automobiles et cycles', 'avortement', 'banques et établissements financiers',
-    'bâtiment et travaux publics', 'baux', 'bioéthique', 'bois et forêts', "bourses d'études", 'cérémonies publiques et fêtes légales',
-    'chambres consulaires', 'chasse et pêche', 'chômage : indemnisation', 'collectivités territoriales', 'commerce et artisanat',
-    'commerce extérieur', 'communes', 'consommation', 'contributions indirectes', 'coopération intercommunale', 'copropriété',
-    'corps diplomatique et consulaire', "cours d'eau, étangs et lacs", 'cultes', 'culture', 'déchéances et incapacités',
-    'déchets, pollution et nuisances', 'décorations, insignes et emblèmes', 'défense', 'démographie', 'départements',
-    'donations et successions', 'drogue', 'droit pénal', "droits de l'Homme et libertés publiques", 'eau', 'économie sociale',
-    'éducation physique et sportive', 'élections et référendums', 'élevage', 'emploi', 'énergie et carburants', 'enfants',
-    'enregistrement et timbre', 'enseignement', 'enseignement : personnel', 'enseignement agricole',
-    'enseignement maternel et primaire', 'enseignement maternel et primaire : personnel', 'enseignement privé',
-    'enseignement secondaire', 'enseignement secondaire : personnel', 'enseignement supérieur',
-    'enseignement supérieur : personnel', 'enseignement technique et professionnel',
-    'enseignement technique et professionnel : personnel', 'enseignements artistiques',
-    'entreprises', 'environnement', 'ésotérisme', 'espace', 'établissements de santé', 'État',
-    'état civil', 'étrangers', 'famille', 'femmes', 'finances publiques', "fonction publique de l'État",
-    'fonction publique hospitalière', 'fonction publique territoriale', 'fonctionnaires et agents publics',
-    'formation professionnelle', "Français de l'étranger", 'frontaliers', 'gendarmerie', 'gens du voyage',
-    'grandes écoles', 'handicapés', 'heure légale', 'hôtellerie et restauration', 'impôt de solidarité sur la fortune',
-    'impôt sur le revenu', 'impôt sur les sociétés', 'impôts et taxes', 'impôts locaux', 'industrie', 'informatique',
-    'institutions sociales et médico-sociales', 'jeunes', 'jeux et paris', 'justice', 'langue française', 'logement',
-    'logement : aides et prêts', 'marchés financiers', 'marchés publics', 'matières premières', 'médecines parallèles',
-    'mer et littoral', 'mines et carrières', "ministères et secrétariats d'État", 'mort', 'moyens de paiement', 'nationalité',
-    'ordre public', 'organisations internationales', 'outre-mer', "papiers d'identité", 'Parlement',
-    'partis et mouvements politiques', 'patrimoine culturel', "pensions militaires d'invalidité", 'personnes âgées',
-    'pharmacie et médicaments', 'plus-values : imposition', 'police', 'politique économique', 'politique extérieure',
-    'politique sociale', 'politiques communautaires', 'postes', 'préretraites', 'presse et livres', 'prestations familiales',
-    'produits dangereux', 'professions de santé', 'professions immobilières', 'professions judiciaires et juridiques',
-    'professions libérales', 'professions sociales', 'propriété', 'propriété intellectuelle', 'publicité', 'rapatriés',
-    'recherche', 'régions', 'relations internationales', 'retraites : fonctionnaires civils et militaires',
-    'retraites : généralités', 'retraites : régime agricole', 'retraites : régime général', 'retraites : régimes autonomes et spéciaux',
-    'risques professionnels', 'saisies et sûretés', 'sang et organes humains', 'santé', 'secteur public', 'sécurité publique',
-    'sécurité routière', 'sécurité sociale', 'services', 'sociétés', 'sports', 'syndicats', 'système pénitentiaire', 'taxis',
-    'télécommunications', 'tourisme et loisirs', 'traités et conventions', 'transports', 'transports aériens',
-    'transports ferroviaires', 'transports par eau', 'transports routiers', 'transports urbains', 'travail', 'TVA',
-    'Union européenne', 'urbanisme', 'ventes et échanges', 'voirie'
-    ]
-class QRANConfig(datasets.BuilderConfig):
-    """BuilderConfig for QR-AN."""
-    def __init__(self, **kwargs):
-        """BuilderConfig for QR-AN.
-        Args:
-          **kwargs: keyword arguments forwarded to super.
-        """
-        super(QRANConfig, self).__init__(**kwargs)
-class QRANDataset(datasets.GeneratorBasedBuilder):
-    """QR-AN Dataset: Topic dataset on french Parliament questions-answers."""
-    _DOWNLOAD_URL = "https://huggingface.co/datasets/cassandra-themis/QR-AN/resolve/main/"
-    _TRAIN_FILE = "train_data.txt"
-    _VAL_FILE = "val_data.txt"
-    _TEST_FILE = "test_data.txt"
-    _LABELS_DICT = {label: i for i, label in enumerate(_LABELS)}
-    BUILDER_CONFIGS = [
-        QRANConfig(
-            name="qran_answer",
-            version=datasets.Version("1.0.0"),
-            description="QRAN Dataset: A classification task of French Parliament questions-answers",
-        ),
-        QRANConfig(
-            name="qran_question",
-            version=datasets.Version("1.0.0"),
-            description="QRAN Dataset: A classification task of French Parliament questions-answers",
-        ),
-        QRANConfig(
-            name="qran_full",
-            version=datasets.Version("1.0.0"),
-            description="QRAN Dataset: A classification task of French Parliament questions-answers",
-        ),
-        QRANConfig(
-            name="qran_generation",
-            version=datasets.Version("1.0.0"),
-            description="QRAN Dataset: A generation task of French Parliament questions-answers",
-        )
-    ]
-    DEFAULT_CONFIG_NAME = "qran_answer"
-    def _info(self):
-        if self.config.name == "qran_generation":
-            features = {
-                    "question": datasets.Value("string"),
-                    "answer": datasets.Value("string"),
-                }
-        else:
-            features = {
-                    "text": datasets.Value("string"),
-                    "label": datasets.features.ClassLabel(names=_LABELS),
-                }
-        return datasets.DatasetInfo(
-            description=_DESCRIPTION,
-            features=datasets.Features(features),
-            supervised_keys=None,
-            citation=_CITATION,
-        )
-    def _split_generators(self, dl_manager):
-        train_path = dl_manager.download_and_extract(self._TRAIN_FILE)
-        val_path = dl_manager.download_and_extract(self._VAL_FILE)
-        test_path = dl_manager.download_and_extract(self._TEST_FILE)
-        return [
-            datasets.SplitGenerator(
-                name=datasets.Split.TRAIN, gen_kwargs={"filepath": train_path}
-            ),
-            datasets.SplitGenerator(
-                name=datasets.Split.VALIDATION, gen_kwargs={"filepath": val_path}
-            ),
-            datasets.SplitGenerator(
-                name=datasets.Split.TEST, gen_kwargs={"filepath": test_path}
-            ),
-        ]
-    def _generate_examples(self, filepath):
-        """Generate QRAN examples."""
-        with open(filepath, encoding="utf-8") as f:
-            for id_, row in enumerate(f):
-                data = json.loads(row)
-                answer, question = data["answer"], data["question"]
-                label = self._LABELS_DICT[data["label_name"]]
-                if self.config.name == "qran_generation":
-                    yield id_, {"question": question, "answer": answer}
-                else:
-                    if self.config.name == "qran_answer":
-                        text = answer
-                    elif self.config.name == "qran_question":
-                        text = question
-                    else:
-                        text = question + " " + answer
-                    yield id_, {"text": text, "label": label}