Spaces:
Sleeping
Sleeping
File size: 58,222 Bytes
1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 7450643 1b001d2 e2bbb05 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 e2bbb05 1b001d2 d0465c7 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 47ba807 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 e2bbb05 1b001d2 7450643 1b001d2 e2bbb05 1b001d2 47ba807 1b001d2 7450643 1b001d2 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 e2bbb05 47ba807 1b001d2 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 |
{
"cells": [
{
"cell_type": "code",
"execution_count": 83,
"metadata": {},
"outputs": [],
"source": [
"import pandas as pd\n",
"import json\n",
"import math\n",
"import re"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Función para agrupar mensajes de Remitentes"
]
},
{
"cell_type": "code",
"execution_count": 84,
"metadata": {},
"outputs": [],
"source": [
"def agrupar_remitentes(texto_in):\n",
" # Dividir el texto en líneas\n",
" lineas = texto_in.strip().split('\\n')\n",
"\n",
" # Procesar las líneas para agrupar los mensajes por remitente\n",
" texto_out = \"\"\n",
" ultimo_remitente = \"\"\n",
" timestamp_actual = \"\"\n",
"\n",
" for linea in lineas:\n",
" # Verificar si la línea tiene un remitente (es decir, si es un nuevo mensaje)\n",
" if re.match(r\"\\[\\d{2}/\\d{2}/\\d{2}, \\d{1,2}:\\d{2}:\\d{2} [a.p].m.\\] \\w+:\", linea):\n",
" timestamp, remitente, mensaje = re.match(r\"(\\[\\d{2}/\\d{2}/\\d{2}, \\d{1,2}:\\d{2}:\\d{2} [a.p].m.\\]) (\\w+): (.*)\", linea).groups()\n",
" # Si el remitente es diferente al último, se inicia un nuevo mensaje\n",
" if remitente != ultimo_remitente:\n",
" texto_out += f\"{timestamp} {remitente}: {mensaje}\\n\"\n",
" ultimo_remitente = remitente\n",
" timestamp_actual = timestamp\n",
" else:\n",
" # Añadir el mensaje actual al último mensaje del mismo remitente\n",
" texto_out = texto_out.strip() + \"\\n\" + mensaje + \"\\n\"\n",
" else:\n",
" # Si la línea no tiene remitente, se añade al mensaje actual\n",
" texto_out = texto_out.strip() + \"\\n\" + linea.strip() + \"\\n\"\n",
"\n",
" texto_out = texto_out.strip()\n",
"\n",
" return texto_out"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Prueba"
]
},
{
"cell_type": "code",
"execution_count": 85,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"[30/08/22, 4:11:28 p.m.] CarmenQ: Pues eso es bueno\n",
"Así te llenas cool\n",
"[30/08/22, 4:11:51 p.m.] Sebas: Pues si\n",
"Ya me la terminé\n",
"Ya voy a regresar\n",
"[30/08/22, 4:12:15 p.m.] CarmenQ: Que bueno\n",
"Ok amor\n",
"Mucha suerte\n",
"La verdad es que tengo mucho sueño\n",
"[30/08/22, 4:12:33 p.m.] Sebas: Gracias amorcito\n",
"Te amo mucho\n",
"[30/08/22, 4:12:40 p.m.] CarmenQ: Yo a ti\n"
]
}
],
"source": [
"texto_in = \"\"\"\n",
"[30/08/22, 4:11:28 p.m.] CarmenQ: Pues eso es bueno\n",
"[30/08/22, 4:11:33 p.m.] CarmenQ: Así te llenas cool\n",
"[30/08/22, 4:11:51 p.m.] Sebas: Pues si\n",
"[30/08/22, 4:11:55 p.m.] Sebas: Ya me la terminé\n",
"Ya voy a regresar\n",
"[30/08/22, 4:12:15 p.m.] CarmenQ: Que bueno\n",
"Ok amor\n",
"[30/08/22, 4:12:25 p.m.] CarmenQ: Mucha suerte\n",
"La verdad es que tengo mucho sueño\n",
"[30/08/22, 4:12:33 p.m.] Sebas: Gracias amorcito\n",
"Te amo mucho\n",
"[30/08/22, 4:12:40 p.m.] CarmenQ: Yo a ti\n",
"\"\"\"\n",
"\n",
"# Imprimir el texto transformado\n",
"print(agrupar_remitentes(texto_in))"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Función para dejar explícitos los Saltos de Línea"
]
},
{
"cell_type": "code",
"execution_count": 86,
"metadata": {},
"outputs": [],
"source": [
"def formatear_salto_linea(texto_entrada):\n",
" # Dividimos el texto en líneas\n",
" lineas = texto_entrada.split(\"\\n\")\n",
"\n",
" texto_salida = \"\"\n",
" mensaje_actual = \"\"\n",
"\n",
" for linea in lineas:\n",
" # Si la línea tiene el formato de timestamp, es un nuevo mensaje\n",
" if \"[\" in linea and \"]\" in linea and \":\" in linea and linea[1:3].isdigit() and linea[4:6].isdigit():\n",
" # Agregamos el mensaje anterior al texto de salida (si existe)\n",
" if mensaje_actual:\n",
" texto_salida += mensaje_actual + \"\\n\"\n",
" mensaje_actual = linea\n",
" else:\n",
" # Si no es un nuevo mensaje, es una continuación del mensaje actual\n",
" mensaje_actual += \"\\\\n\" + linea\n",
"\n",
" # Agregamos el último mensaje al texto de salida\n",
" texto_salida += mensaje_actual\n",
"\n",
" return texto_salida"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Prueba"
]
},
{
"cell_type": "code",
"execution_count": 87,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"\\n\n",
"[09/10/23, 3:04:35 p.m.] Sebas: Que bueno amorrr, te creo\\nPues sigue aprendiendo un buennn\n",
"[05/10/23, 5:56:18 p.m.] CarmenQ: Ya ando en casa bb\n",
"[05/10/23, 6:06:25 p.m.] Sebas: Qué bueno mi amor, llegaron con bien?\\nLa verdad es que tengo un buen de sueño\\nY te extraño\n",
"[04/10/23, 6:29:34 p.m.] CarmenQ: Pues si quieres te paso a ver a tu casita mi amor\\nTienes clase hasta las 3 no?\n",
"[04/10/23, 7:20:44 p.m.] Sebas: Sí bb, justo tengo clase a esa hora\n",
"[04/10/23, 3:37:58 p.m.] CarmenQ: Solo deja acabo mi clase y te cuento\\nPero tienes que ponerme atención eh\n",
"[04/10/23, 3:44:47 p.m.] Sebas: Okey amor, cuando puedas, no hay prisa\n",
"[02/10/23, 10:44:20 p.m.] CarmenQ: Te paso a ver más tarde\\nO el jueves voy\\nYa que no tengo clase\n",
"[02/10/23, 10:45:05 p.m.] Sebas: Como como? En la noche?\n",
"[18/06/23, 11:00:27 p.m.] CarmenQ: Te amo mucho mi amor\n",
"[18/10/23, 11:11:24 p.m.] Sebas: Te amo mucho más mi C\\n\n"
]
}
],
"source": [
"texto_entrada = \"\"\"\n",
"[09/10/23, 3:04:35 p.m.] Sebas: Que bueno amorrr, te creo\n",
"Pues sigue aprendiendo un buennn\n",
"[05/10/23, 5:56:18 p.m.] CarmenQ: Ya ando en casa bb\n",
"[05/10/23, 6:06:25 p.m.] Sebas: Qué bueno mi amor, llegaron con bien?\n",
"La verdad es que tengo un buen de sueño\n",
"Y te extraño\n",
"[04/10/23, 6:29:34 p.m.] CarmenQ: Pues si quieres te paso a ver a tu casita mi amor\n",
"Tienes clase hasta las 3 no?\n",
"[04/10/23, 7:20:44 p.m.] Sebas: Sí bb, justo tengo clase a esa hora\n",
"[04/10/23, 3:37:58 p.m.] CarmenQ: Solo deja acabo mi clase y te cuento\n",
"Pero tienes que ponerme atención eh\n",
"[04/10/23, 3:44:47 p.m.] Sebas: Okey amor, cuando puedas, no hay prisa\n",
"[02/10/23, 10:44:20 p.m.] CarmenQ: Te paso a ver más tarde\n",
"O el jueves voy\n",
"Ya que no tengo clase\n",
"[02/10/23, 10:45:05 p.m.] Sebas: Como como? En la noche?\n",
"[18/06/23, 11:00:27 p.m.] CarmenQ: Te amo mucho mi amor\n",
"[18/10/23, 11:11:24 p.m.] Sebas: Te amo mucho más mi C\n",
"\"\"\"\n",
"\n",
"# Imprimir el texto transformado\n",
"print(formatear_salto_linea(texto_entrada))"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Función para eliminar Timestamps"
]
},
{
"cell_type": "code",
"execution_count": 88,
"metadata": {},
"outputs": [],
"source": [
"def eliminar_timestamps(texto_entrada):\n",
" # Usamos una expresión regular para encontrar y eliminar los timestamps\n",
" # La expresión regular busca un patrón de la forma [dd/mm/aa, hh:mm:ss am/pm]\n",
" texto_salida = re.sub(r\"\\[\\d{2}/\\d{2}/\\d{2}, \\d{1,2}:\\d{2}:\\d{2} [ap]\\.m\\.\\] \", \"\", texto_entrada)\n",
"\n",
" return texto_salida"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Prueba"
]
},
{
"cell_type": "code",
"execution_count": 89,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"\n",
"Sebas: Que bueno amorrr, te creo\n",
"Pues sigue aprendiendo un buennn\n",
"CarmenQ: Ya ando en casa bb\n",
"Sebas: Qué bueno mi amor, llegaron con bien?\n",
"La verdad es que tengo un buen de sueño\n",
"Y te extraño\n",
"CarmenQ: Pues si quieres te paso a ver a tu casita mi amor\n",
"Tienes clase hasta las 3 no?\n",
"Sebas: Sí bb, justo tengo clase a esa hora\n",
"CarmenQ: Solo deja acabo mi clase y te cuento\n",
"Pero tienes que ponerme atención eh\n",
"Sebas: Okey amor, cuando puedas, no hay prisa\n",
"CarmenQ: Te paso a ver más tarde\n",
"O el jueves voy\n",
"Ya que no tengo clase\n",
"Sebas: Como como? En la noche?\n",
"CarmenQ: Te amo mucho mi amor\n",
"Sebas: Te amo mucho más mi C\n",
"\n"
]
}
],
"source": [
"texto_entrada = \"\"\"\n",
"[09/10/23, 3:04:35 p.m.] Sebas: Que bueno amorrr, te creo\\nPues sigue aprendiendo un buennn\n",
"[05/10/23, 5:56:18 p.m.] CarmenQ: Ya ando en casa bb\n",
"[05/10/23, 6:06:25 p.m.] Sebas: Qué bueno mi amor, llegaron con bien?\\nLa verdad es que tengo un buen de sueño\\nY te extraño\n",
"[04/10/23, 6:29:34 p.m.] CarmenQ: Pues si quieres te paso a ver a tu casita mi amor\\nTienes clase hasta las 3 no?\n",
"[04/10/23, 7:20:44 p.m.] Sebas: Sí bb, justo tengo clase a esa hora\n",
"[04/10/23, 3:37:58 p.m.] CarmenQ: Solo deja acabo mi clase y te cuento\\nPero tienes que ponerme atención eh\n",
"[04/10/23, 3:44:47 p.m.] Sebas: Okey amor, cuando puedas, no hay prisa\n",
"[02/10/23, 10:44:20 p.m.] CarmenQ: Te paso a ver más tarde\\nO el jueves voy\\nYa que no tengo clase\n",
"[02/10/23, 10:45:05 p.m.] Sebas: Como como? En la noche?\n",
"[18/06/23, 11:00:27 p.m.] CarmenQ: Te amo mucho mi amor\n",
"[18/10/23, 11:11:24 p.m.] Sebas: Te amo mucho más mi C\n",
"\"\"\"\n",
"\n",
"# Imprimir el texto transformado\n",
"print(eliminar_timestamps(texto_entrada))"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Función para crear un Dataset con todos los mensajes de CarmenQ y Sebas"
]
},
{
"cell_type": "code",
"execution_count": 90,
"metadata": {},
"outputs": [],
"source": [
"def crear_dataset(texto_entrada):\n",
" # Dividimos el texto en líneas\n",
" lineas = texto_entrada.strip().split(\"\\n\")\n",
"\n",
" # Crear listas para guardar los mensajes de CarmenQ y Sebas\n",
" mensajes_carmen = []\n",
" mensajes_sebas = []\n",
"\n",
" # Variables temporales para guardar los mensajes actuales de CarmenQ y Sebas\n",
" mensaje_carmen_actual = \"\"\n",
" mensaje_sebas_actual = \"\"\n",
" es_mensaje_carmen = False\n",
"\n",
" for linea in lineas:\n",
" if linea.startswith(\"CarmenQ:\"):\n",
" # Si hay un mensaje previo de Sebas, lo guardamos junto con el mensaje de Carmen anterior\n",
" if mensaje_sebas_actual:\n",
" mensajes_carmen.append(mensaje_carmen_actual)\n",
" mensajes_sebas.append(mensaje_sebas_actual)\n",
" mensaje_sebas_actual = \"\"\n",
"\n",
" mensaje_carmen_actual = linea[len(\"CarmenQ: \"):]\n",
" es_mensaje_carmen = True\n",
" elif linea.startswith(\"Sebas:\"):\n",
" mensaje_sebas_actual = linea[len(\"Sebas: \"):]\n",
" es_mensaje_carmen = False\n",
" else:\n",
" # Continuación del mensaje actual\n",
" if es_mensaje_carmen:\n",
" mensaje_carmen_actual += \"\\\\n\" + linea\n",
" else:\n",
" mensaje_sebas_actual += \"\\\\n\" + linea\n",
"\n",
" # Agregar el último par de mensajes si existen\n",
" if mensaje_carmen_actual and mensaje_sebas_actual:\n",
" mensajes_carmen.append(mensaje_carmen_actual)\n",
" mensajes_sebas.append(mensaje_sebas_actual)\n",
"\n",
" # Crear el DataFrame\n",
" df = pd.DataFrame({'CarmenQ': mensajes_carmen, 'Sebas': mensajes_sebas})\n",
"\n",
" return df"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Prueba"
]
},
{
"cell_type": "code",
"execution_count": 91,
"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>CarmenQ</th>\n",
" <th>Sebas</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>Quieres ver \\nuna peli?</td>\n",
" <td>Sisisi, sí quierooo\\nVamos a ver Kung Fu Panda...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>Podemos\\nver una\\nserie bb</td>\n",
" <td>Uyyy sí\\namor, pero cuál? Ya hemos\\nvisto muchas</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>Luego vemos la de Coraline?</td>\n",
" <td>Cuando quieras mi amor, ya sabes que sí\\nPero ...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>Si\\nte están\\ngustando las pelis bb?</td>\n",
" <td>Si amorrrr, mucho\\nA ver cuándo me invitar a v...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>Ya ponle a la peli padrino</td>\n",
" <td>JAJAJA voy amor, no me presiones</td>\n",
" </tr>\n",
" <tr>\n",
" <th>5</th>\n",
" <td>Regresando vemos la peli si?</td>\n",
" <td>Si mi amorrrr, ya justo que regreses ya ando a...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>6</th>\n",
" <td>En un\\nratito quieres que veamos la peli?</td>\n",
" <td>Sí amor, estaría perfecto\\nPero si está chafa,...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>7</th>\n",
" <td>O podemos ver la peli amor</td>\n",
" <td>Pues yo si quiero ir a ver la peli, así que es...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>8</th>\n",
" <td>Que quieres ver bb?\\nUna serie o peli?</td>\n",
" <td>Tal vez una peli, no? Que luego me cuesta segu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>9</th>\n",
" <td>Andamos viendo una peli</td>\n",
" <td>Cómo se llama la peli?</td>\n",
" </tr>\n",
" <tr>\n",
" <th>10</th>\n",
" <td>Yo me voy a bañar rápido\\nEn lo que te aclimat...</td>\n",
" <td>Vale mi amor, disfruta tu baño\\nSabes que me e...</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"</div>"
],
"text/plain": [
" CarmenQ \\\n",
"0 Quieres ver \\nuna peli? \n",
"1 Podemos\\nver una\\nserie bb \n",
"2 Luego vemos la de Coraline? \n",
"3 Si\\nte están\\ngustando las pelis bb? \n",
"4 Ya ponle a la peli padrino \n",
"5 Regresando vemos la peli si? \n",
"6 En un\\nratito quieres que veamos la peli? \n",
"7 O podemos ver la peli amor \n",
"8 Que quieres ver bb?\\nUna serie o peli? \n",
"9 Andamos viendo una peli \n",
"10 Yo me voy a bañar rápido\\nEn lo que te aclimat... \n",
"\n",
" Sebas \n",
"0 Sisisi, sí quierooo\\nVamos a ver Kung Fu Panda... \n",
"1 Uyyy sí\\namor, pero cuál? Ya hemos\\nvisto muchas \n",
"2 Cuando quieras mi amor, ya sabes que sí\\nPero ... \n",
"3 Si amorrrr, mucho\\nA ver cuándo me invitar a v... \n",
"4 JAJAJA voy amor, no me presiones \n",
"5 Si mi amorrrr, ya justo que regreses ya ando a... \n",
"6 Sí amor, estaría perfecto\\nPero si está chafa,... \n",
"7 Pues yo si quiero ir a ver la peli, así que es... \n",
"8 Tal vez una peli, no? Que luego me cuesta segu... \n",
"9 Cómo se llama la peli? \n",
"10 Vale mi amor, disfruta tu baño\\nSabes que me e... "
]
},
"execution_count": 91,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"text = \"\"\"\n",
"CarmenQ: Quieres ver \\nuna peli?\n",
"Sebas: Sisisi, sí quierooo\\nVamos a ver Kung Fu Panda? Jejeje\n",
"CarmenQ: Podemos\\nver una\\nserie bb\n",
"Sebas: Uyyy sí\\namor, pero cuál? Ya hemos\\nvisto muchas\n",
"CarmenQ: Luego vemos la de Coraline?\n",
"Sebas: Cuando quieras mi amor, ya sabes que sí\\nPero a ver si vamos a comprar unas palomitas también, nooo?\n",
"CarmenQ: Si\\nte están\\ngustando las pelis bb?\n",
"Sebas: Si amorrrr, mucho\\nA ver cuándo me invitar a ver las otras\n",
"CarmenQ: Ya ponle a la peli padrino\n",
"Sebas: JAJAJA voy amor, no me presiones\n",
"CarmenQ: Regresando vemos la peli si?\n",
"Sebas: Si mi amorrrr, ya justo que regreses ya ando aquí con Netflix prendido\n",
"CarmenQ: En un\\nratito quieres que veamos la peli?\n",
"Sebas: Sí amor, estaría perfecto\\nPero si está chafa, me debes un helado\n",
"CarmenQ: O podemos ver la peli amor\n",
"Sebas: Pues yo si quiero ir a ver la peli, así que estoy puesto\n",
"CarmenQ: Que quieres ver bb?\\nUna serie o peli?\n",
"Sebas: Tal vez una peli, no? Que luego me cuesta seguirle a las series\n",
"CarmenQ: Andamos viendo una peli\n",
"Sebas: Cómo se llama la peli?\n",
"CarmenQ: Yo me voy a bañar rápido\\nEn lo que te aclimatas y todo\\nY vemos la peli si tienes ganas\n",
"Sebas: Vale mi amor, disfruta tu baño\\nSabes que me encantaría ver una peli a distancia\n",
"\"\"\"\n",
"\n",
"df = crear_dataset(text)\n",
"df"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Llamado a todas las funciones para crear el archivo de Texto Final y el Dataset con las conversaciones"
]
},
{
"cell_type": "code",
"execution_count": 92,
"metadata": {},
"outputs": [],
"source": [
"# Ruta del archivo de texto\n",
"ruta_archivo = 'Raw_Data/Raw_Prompts.txt' \n",
"ruta_archivo_salida_texto = 'Raw_Data/Transformed_Prompts.txt'\n",
"\n",
"# Leer el contenido del archivo\n",
"with open(ruta_archivo, 'r', encoding='utf-8') as archivo:\n",
" texto = archivo.read()\n",
"\n",
"# Hacer todas las transformaciones\n",
"texto_agrupado = agrupar_remitentes(texto)\n",
"texto_linea = formatear_salto_linea(texto_agrupado)\n",
"texto_sin_timestamp = eliminar_timestamps(texto_linea)\n",
"\n",
"# Escribir el texto modificado en el archivo de salida\n",
"with open(ruta_archivo_salida_texto, 'w', encoding='utf-8') as archivo_salida:\n",
" archivo_salida.write(texto_sin_timestamp)"
]
},
{
"cell_type": "code",
"execution_count": 93,
"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>CarmenQ</th>\n",
" <th>Sebas</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>Buenos días mi amorchis, cómo dormiste hoy?</td>\n",
" <td>Buenos días Carmen Q. Bien bien, pero hacía mu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>Holis mi amor, espero que tengas un muy bonito...</td>\n",
" <td>Hola hola amorcito, te amo mucho más. También ...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>Buenos días mi amor, disfruta tu día</td>\n",
" <td>Buenos días Carmen Q. Te mando muchos besos, a...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>Buenos días mi amorchis, disfruta mucho tu día</td>\n",
" <td>Buenos días Carmen Q, gracias! También disfrut...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>Buenos días mi amorchis, ten un lindo día</td>\n",
" <td>Hola hola Carmen Q. Cómo dormiste? Disfruta mu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>408</th>\n",
" <td>Andamos en el café amorchis</td>\n",
" <td>Super super, disfruta tu cafecito mi Carmen Q</td>\n",
" </tr>\n",
" <tr>\n",
" <th>409</th>\n",
" <td>Ya salimos pero nos vinimos por un coffee</td>\n",
" <td>Ah okey amorcito, disfruta entonces tu café</td>\n",
" </tr>\n",
" <tr>\n",
" <th>410</th>\n",
" <td>Ya había dicho que iríamos más tarde por el café</td>\n",
" <td>Sí mi amorcito, vamos por tu café más tarde</td>\n",
" </tr>\n",
" <tr>\n",
" <th>411</th>\n",
" <td>Aquí andamos en un café</td>\n",
" <td>Que rico Carmen Q, disfruten</td>\n",
" </tr>\n",
" <tr>\n",
" <th>412</th>\n",
" <td>Pues iremos por un café según</td>\n",
" <td>Disfruten mucho su cafecito, Carmen Q</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>413 rows × 2 columns</p>\n",
"</div>"
],
"text/plain": [
" CarmenQ \\\n",
"0 Buenos días mi amorchis, cómo dormiste hoy? \n",
"1 Holis mi amor, espero que tengas un muy bonito... \n",
"2 Buenos días mi amor, disfruta tu día \n",
"3 Buenos días mi amorchis, disfruta mucho tu día \n",
"4 Buenos días mi amorchis, ten un lindo día \n",
".. ... \n",
"408 Andamos en el café amorchis \n",
"409 Ya salimos pero nos vinimos por un coffee \n",
"410 Ya había dicho que iríamos más tarde por el café \n",
"411 Aquí andamos en un café \n",
"412 Pues iremos por un café según \n",
"\n",
" Sebas \n",
"0 Buenos días Carmen Q. Bien bien, pero hacía mu... \n",
"1 Hola hola amorcito, te amo mucho más. También ... \n",
"2 Buenos días Carmen Q. Te mando muchos besos, a... \n",
"3 Buenos días Carmen Q, gracias! También disfrut... \n",
"4 Hola hola Carmen Q. Cómo dormiste? Disfruta mu... \n",
".. ... \n",
"408 Super super, disfruta tu cafecito mi Carmen Q \n",
"409 Ah okey amorcito, disfruta entonces tu café \n",
"410 Sí mi amorcito, vamos por tu café más tarde \n",
"411 Que rico Carmen Q, disfruten \n",
"412 Disfruten mucho su cafecito, Carmen Q \n",
"\n",
"[413 rows x 2 columns]"
]
},
"execution_count": 93,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"chat_df = crear_dataset(texto_sin_timestamp)\n",
"chat_df"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Agregamos la columna 'system' y transformamos el Dataset"
]
},
{
"cell_type": "code",
"execution_count": 94,
"metadata": {},
"outputs": [],
"source": [
"def agregar_columna_system(df):\n",
" # Definimos el contenido de la columna 'system'\n",
" contenido_system = \"\"\"CARSE es un chatbot que imita el estilo en que Sebas conversa. Fue creado con amor solo para Carmen. Su objetivo es ofrecer una experiencia de chat divertida y familiar que exprese la personalidad, el humor y el amor de Sebas hacia Carmen.\"\"\"\n",
"\n",
" # Agregamos la columna al DataFrame\n",
" df.insert(0, 'system', contenido_system)\n",
"\n",
" return df"
]
},
{
"cell_type": "code",
"execution_count": 95,
"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>system</th>\n",
" <th>CarmenQ</th>\n",
" <th>Sebas</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amorchis, cómo dormiste hoy?</td>\n",
" <td>Buenos días Carmen Q. Bien bien, pero hacía mu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Holis mi amor, espero que tengas un muy bonito...</td>\n",
" <td>Hola hola amorcito, te amo mucho más. También ...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amor, disfruta tu día</td>\n",
" <td>Buenos días Carmen Q. Te mando muchos besos, a...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amorchis, disfruta mucho tu día</td>\n",
" <td>Buenos días Carmen Q, gracias! También disfrut...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amorchis, ten un lindo día</td>\n",
" <td>Hola hola Carmen Q. Cómo dormiste? Disfruta mu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>408</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Andamos en el café amorchis</td>\n",
" <td>Super super, disfruta tu cafecito mi Carmen Q</td>\n",
" </tr>\n",
" <tr>\n",
" <th>409</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Ya salimos pero nos vinimos por un coffee</td>\n",
" <td>Ah okey amorcito, disfruta entonces tu café</td>\n",
" </tr>\n",
" <tr>\n",
" <th>410</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Ya había dicho que iríamos más tarde por el café</td>\n",
" <td>Sí mi amorcito, vamos por tu café más tarde</td>\n",
" </tr>\n",
" <tr>\n",
" <th>411</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Aquí andamos en un café</td>\n",
" <td>Que rico Carmen Q, disfruten</td>\n",
" </tr>\n",
" <tr>\n",
" <th>412</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Pues iremos por un café según</td>\n",
" <td>Disfruten mucho su cafecito, Carmen Q</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>413 rows × 3 columns</p>\n",
"</div>"
],
"text/plain": [
" system \\\n",
"0 CARSE es un chatbot que imita el estilo en que... \n",
"1 CARSE es un chatbot que imita el estilo en que... \n",
"2 CARSE es un chatbot que imita el estilo en que... \n",
"3 CARSE es un chatbot que imita el estilo en que... \n",
"4 CARSE es un chatbot que imita el estilo en que... \n",
".. ... \n",
"408 CARSE es un chatbot que imita el estilo en que... \n",
"409 CARSE es un chatbot que imita el estilo en que... \n",
"410 CARSE es un chatbot que imita el estilo en que... \n",
"411 CARSE es un chatbot que imita el estilo en que... \n",
"412 CARSE es un chatbot que imita el estilo en que... \n",
"\n",
" CarmenQ \\\n",
"0 Buenos días mi amorchis, cómo dormiste hoy? \n",
"1 Holis mi amor, espero que tengas un muy bonito... \n",
"2 Buenos días mi amor, disfruta tu día \n",
"3 Buenos días mi amorchis, disfruta mucho tu día \n",
"4 Buenos días mi amorchis, ten un lindo día \n",
".. ... \n",
"408 Andamos en el café amorchis \n",
"409 Ya salimos pero nos vinimos por un coffee \n",
"410 Ya había dicho que iríamos más tarde por el café \n",
"411 Aquí andamos en un café \n",
"412 Pues iremos por un café según \n",
"\n",
" Sebas \n",
"0 Buenos días Carmen Q. Bien bien, pero hacía mu... \n",
"1 Hola hola amorcito, te amo mucho más. También ... \n",
"2 Buenos días Carmen Q. Te mando muchos besos, a... \n",
"3 Buenos días Carmen Q, gracias! También disfrut... \n",
"4 Hola hola Carmen Q. Cómo dormiste? Disfruta mu... \n",
".. ... \n",
"408 Super super, disfruta tu cafecito mi Carmen Q \n",
"409 Ah okey amorcito, disfruta entonces tu café \n",
"410 Sí mi amorcito, vamos por tu café más tarde \n",
"411 Que rico Carmen Q, disfruten \n",
"412 Disfruten mucho su cafecito, Carmen Q \n",
"\n",
"[413 rows x 3 columns]"
]
},
"execution_count": 95,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# Llamamos a la función para agregar la columna 'system'\n",
"chat_df = agregar_columna_system(chat_df)\n",
"chat_df"
]
},
{
"cell_type": "code",
"execution_count": 96,
"metadata": {},
"outputs": [],
"source": [
"def renombrar_columnas(df):\n",
" # Cambiamos el nombre de las columnas\n",
" df.rename(columns={'CarmenQ': 'user', 'Sebas': 'assistant'}, inplace=True)\n",
"\n",
" return df"
]
},
{
"cell_type": "code",
"execution_count": 97,
"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>system</th>\n",
" <th>user</th>\n",
" <th>assistant</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amorchis, cómo dormiste hoy?</td>\n",
" <td>Buenos días Carmen Q. Bien bien, pero hacía mu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Holis mi amor, espero que tengas un muy bonito...</td>\n",
" <td>Hola hola amorcito, te amo mucho más. También ...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amor, disfruta tu día</td>\n",
" <td>Buenos días Carmen Q. Te mando muchos besos, a...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amorchis, disfruta mucho tu día</td>\n",
" <td>Buenos días Carmen Q, gracias! También disfrut...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días mi amorchis, ten un lindo día</td>\n",
" <td>Hola hola Carmen Q. Cómo dormiste? Disfruta mu...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>408</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Andamos en el café amorchis</td>\n",
" <td>Super super, disfruta tu cafecito mi Carmen Q</td>\n",
" </tr>\n",
" <tr>\n",
" <th>409</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Ya salimos pero nos vinimos por un coffee</td>\n",
" <td>Ah okey amorcito, disfruta entonces tu café</td>\n",
" </tr>\n",
" <tr>\n",
" <th>410</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Ya había dicho que iríamos más tarde por el café</td>\n",
" <td>Sí mi amorcito, vamos por tu café más tarde</td>\n",
" </tr>\n",
" <tr>\n",
" <th>411</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Aquí andamos en un café</td>\n",
" <td>Que rico Carmen Q, disfruten</td>\n",
" </tr>\n",
" <tr>\n",
" <th>412</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Pues iremos por un café según</td>\n",
" <td>Disfruten mucho su cafecito, Carmen Q</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>413 rows × 3 columns</p>\n",
"</div>"
],
"text/plain": [
" system \\\n",
"0 CARSE es un chatbot que imita el estilo en que... \n",
"1 CARSE es un chatbot que imita el estilo en que... \n",
"2 CARSE es un chatbot que imita el estilo en que... \n",
"3 CARSE es un chatbot que imita el estilo en que... \n",
"4 CARSE es un chatbot que imita el estilo en que... \n",
".. ... \n",
"408 CARSE es un chatbot que imita el estilo en que... \n",
"409 CARSE es un chatbot que imita el estilo en que... \n",
"410 CARSE es un chatbot que imita el estilo en que... \n",
"411 CARSE es un chatbot que imita el estilo en que... \n",
"412 CARSE es un chatbot que imita el estilo en que... \n",
"\n",
" user \\\n",
"0 Buenos días mi amorchis, cómo dormiste hoy? \n",
"1 Holis mi amor, espero que tengas un muy bonito... \n",
"2 Buenos días mi amor, disfruta tu día \n",
"3 Buenos días mi amorchis, disfruta mucho tu día \n",
"4 Buenos días mi amorchis, ten un lindo día \n",
".. ... \n",
"408 Andamos en el café amorchis \n",
"409 Ya salimos pero nos vinimos por un coffee \n",
"410 Ya había dicho que iríamos más tarde por el café \n",
"411 Aquí andamos en un café \n",
"412 Pues iremos por un café según \n",
"\n",
" assistant \n",
"0 Buenos días Carmen Q. Bien bien, pero hacía mu... \n",
"1 Hola hola amorcito, te amo mucho más. También ... \n",
"2 Buenos días Carmen Q. Te mando muchos besos, a... \n",
"3 Buenos días Carmen Q, gracias! También disfrut... \n",
"4 Hola hola Carmen Q. Cómo dormiste? Disfruta mu... \n",
".. ... \n",
"408 Super super, disfruta tu cafecito mi Carmen Q \n",
"409 Ah okey amorcito, disfruta entonces tu café \n",
"410 Sí mi amorcito, vamos por tu café más tarde \n",
"411 Que rico Carmen Q, disfruten \n",
"412 Disfruten mucho su cafecito, Carmen Q \n",
"\n",
"[413 rows x 3 columns]"
]
},
"execution_count": 97,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# Llamamos a la función para renombrar las columnas en el dataset\n",
"chat_df = renombrar_columnas(chat_df)\n",
"chat_df"
]
},
{
"cell_type": "code",
"execution_count": 98,
"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>system</th>\n",
" <th>user</th>\n",
" <th>assistant</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Ya acabaste tus entregas de hoy?</td>\n",
" <td>Ya casi amorcito, solo me falta checar algunos...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días amorchis</td>\n",
" <td>Buenos días mi Carmen Q, cómo dormiste hoy? Sí...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Ya no quiero ir al gym</td>\n",
" <td>Ve solo un rato Carmen Q, a correr</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Qué me vas a invitar hoy?</td>\n",
" <td>Te invito a besarnos escuchando a Dani Flow</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Hola amor, ten bonito día, te quierooooo</td>\n",
" <td>Perdóname Carmen Q, me quedé dormido de la nad...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>408</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>No tengo más pendientes</td>\n",
" <td>Okey amorcito, me avisas si quieres hacer algo...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>409</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>11:11 amorchis</td>\n",
" <td>11:11. Te amo tanto, eres mi deseo diario</td>\n",
" </tr>\n",
" <tr>\n",
" <th>410</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Buenos días amorchis</td>\n",
" <td>Buenos días mi amorcito. Sorry por quedarme do...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>411</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Amorchis deberíamos de hacer un maratón de pel...</td>\n",
" <td>Ay amorcito, estaría super bien eso. Pues pued...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>412</th>\n",
" <td>CARSE es un chatbot que imita el estilo en que...</td>\n",
" <td>Que harás?</td>\n",
" <td>Además de extrañarte?. La verdad no estoy segu...</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>413 rows × 3 columns</p>\n",
"</div>"
],
"text/plain": [
" system \\\n",
"0 CARSE es un chatbot que imita el estilo en que... \n",
"1 CARSE es un chatbot que imita el estilo en que... \n",
"2 CARSE es un chatbot que imita el estilo en que... \n",
"3 CARSE es un chatbot que imita el estilo en que... \n",
"4 CARSE es un chatbot que imita el estilo en que... \n",
".. ... \n",
"408 CARSE es un chatbot que imita el estilo en que... \n",
"409 CARSE es un chatbot que imita el estilo en que... \n",
"410 CARSE es un chatbot que imita el estilo en que... \n",
"411 CARSE es un chatbot que imita el estilo en que... \n",
"412 CARSE es un chatbot que imita el estilo en que... \n",
"\n",
" user \\\n",
"0 Ya acabaste tus entregas de hoy? \n",
"1 Buenos días amorchis \n",
"2 Ya no quiero ir al gym \n",
"3 Qué me vas a invitar hoy? \n",
"4 Hola amor, ten bonito día, te quierooooo \n",
".. ... \n",
"408 No tengo más pendientes \n",
"409 11:11 amorchis \n",
"410 Buenos días amorchis \n",
"411 Amorchis deberíamos de hacer un maratón de pel... \n",
"412 Que harás? \n",
"\n",
" assistant \n",
"0 Ya casi amorcito, solo me falta checar algunos... \n",
"1 Buenos días mi Carmen Q, cómo dormiste hoy? Sí... \n",
"2 Ve solo un rato Carmen Q, a correr \n",
"3 Te invito a besarnos escuchando a Dani Flow \n",
"4 Perdóname Carmen Q, me quedé dormido de la nad... \n",
".. ... \n",
"408 Okey amorcito, me avisas si quieres hacer algo... \n",
"409 11:11. Te amo tanto, eres mi deseo diario \n",
"410 Buenos días mi amorcito. Sorry por quedarme do... \n",
"411 Ay amorcito, estaría super bien eso. Pues pued... \n",
"412 Además de extrañarte?. La verdad no estoy segu... \n",
"\n",
"[413 rows x 3 columns]"
]
},
"execution_count": 98,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# Revolvemos el orden de los datos\n",
"chat_df = chat_df.sample(frac=1, random_state=20210703).reset_index(drop=True)\n",
"chat_df"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Función para crear el archivo JSONL que requiere OpenAI para entrenar"
]
},
{
"cell_type": "code",
"execution_count": 99,
"metadata": {},
"outputs": [],
"source": [
"def crear_json(df,nombre_json):\n",
"\n",
" jsonl_data = []\n",
"\n",
" for index, row in df.iterrows():\n",
" message_list = [\n",
" {\"role\": \"system\", \"content\": row['system']},\n",
" {\"role\": \"user\", \"content\": row['user']},\n",
" {\"role\": \"assistant\", \"content\": row['assistant']}\n",
" ]\n",
" jsonl_data.append({\"messages\": message_list})\n",
" \n",
" # Guardar en un archivo JSONL con codificación UTF-8\n",
" with open(nombre_json, 'w', encoding='utf-8') as file:\n",
" for item in jsonl_data:\n",
" file.write(json.dumps(item, ensure_ascii=False) + '\\n')"
]
},
{
"cell_type": "code",
"execution_count": 100,
"metadata": {},
"outputs": [],
"source": [
"nombre_json = 'Training_data/Training_Prompts.jsonl'\n",
"\n",
"crear_json(chat_df,nombre_json)\n"
]
},
{
"cell_type": "code",
"execution_count": 101,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"El archivo tiene 413 líneas.\n"
]
}
],
"source": [
"# Ruta del archivo JSONL\n",
"archivo_jsonl = 'Training_Data/Training_Prompts.jsonl'\n",
"\n",
"# Contar las líneas\n",
"try:\n",
" with open(archivo_jsonl, 'r', encoding='utf-8') as file:\n",
" lineas = sum(1 for _ in file)\n",
" print(f\"El archivo tiene {lineas} líneas.\")\n",
"except FileNotFoundError:\n",
" print(\"Archivo no encontrado. Por favor verifica la ruta.\")"
]
},
{
"cell_type": "code",
"execution_count": 102,
"metadata": {},
"outputs": [],
"source": [
"def dividir_jsonl(ruta_archivo, num_partes):\n",
" # Leer todas las líneas del archivo\n",
" with open(ruta_archivo, 'r', encoding='utf-8') as file:\n",
" lineas = file.readlines()\n",
"\n",
" # Calcular el tamaño de cada parte\n",
" tamano_parte = len(lineas) // num_partes\n",
"\n",
" for i in range(num_partes):\n",
" # Calcular el inicio y el fin de cada parte\n",
" inicio = i * tamano_parte\n",
" fin = (i + 1) * tamano_parte if i != num_partes - 1 else len(lineas)\n",
"\n",
" # Nombre del nuevo archivo\n",
" nombre_nuevo_archivo = ruta_archivo.replace('.jsonl', f'_{i + 1}.jsonl')\n",
"\n",
" # Escribir las líneas en el nuevo archivo\n",
" with open(nombre_nuevo_archivo, 'w', encoding='utf-8') as nuevo_archivo:\n",
" nuevo_archivo.writelines(lineas[inicio:fin])"
]
},
{
"cell_type": "code",
"execution_count": 103,
"metadata": {},
"outputs": [],
"source": [
"# Llamada a la función\n",
"#dividir_jsonl('Training_data/prompts_finales.jsonl', 2)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Veamos algunos ejemplos"
]
},
{
"cell_type": "code",
"execution_count": 104,
"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>user</th>\n",
" <th>assistant</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>Ya acabaste tus entregas de hoy?</td>\n",
" <td>Ya casi amorcito, solo me falta checar algunos...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>Buenos días amorchis</td>\n",
" <td>Buenos días mi Carmen Q, cómo dormiste hoy? Sí...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>Ya no quiero ir al gym</td>\n",
" <td>Ve solo un rato Carmen Q, a correr</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>Qué me vas a invitar hoy?</td>\n",
" <td>Te invito a besarnos escuchando a Dani Flow</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>Hola amor, ten bonito día, te quierooooo</td>\n",
" <td>Perdóname Carmen Q, me quedé dormido de la nad...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>408</th>\n",
" <td>No tengo más pendientes</td>\n",
" <td>Okey amorcito, me avisas si quieres hacer algo...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>409</th>\n",
" <td>11:11 amorchis</td>\n",
" <td>11:11. Te amo tanto, eres mi deseo diario</td>\n",
" </tr>\n",
" <tr>\n",
" <th>410</th>\n",
" <td>Buenos días amorchis</td>\n",
" <td>Buenos días mi amorcito. Sorry por quedarme do...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>411</th>\n",
" <td>Amorchis deberíamos de hacer un maratón de pel...</td>\n",
" <td>Ay amorcito, estaría super bien eso. Pues pued...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>412</th>\n",
" <td>Que harás?</td>\n",
" <td>Además de extrañarte?. La verdad no estoy segu...</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>413 rows × 2 columns</p>\n",
"</div>"
],
"text/plain": [
" user \\\n",
"0 Ya acabaste tus entregas de hoy? \n",
"1 Buenos días amorchis \n",
"2 Ya no quiero ir al gym \n",
"3 Qué me vas a invitar hoy? \n",
"4 Hola amor, ten bonito día, te quierooooo \n",
".. ... \n",
"408 No tengo más pendientes \n",
"409 11:11 amorchis \n",
"410 Buenos días amorchis \n",
"411 Amorchis deberíamos de hacer un maratón de pel... \n",
"412 Que harás? \n",
"\n",
" assistant \n",
"0 Ya casi amorcito, solo me falta checar algunos... \n",
"1 Buenos días mi Carmen Q, cómo dormiste hoy? Sí... \n",
"2 Ve solo un rato Carmen Q, a correr \n",
"3 Te invito a besarnos escuchando a Dani Flow \n",
"4 Perdóname Carmen Q, me quedé dormido de la nad... \n",
".. ... \n",
"408 Okey amorcito, me avisas si quieres hacer algo... \n",
"409 11:11. Te amo tanto, eres mi deseo diario \n",
"410 Buenos días mi amorcito. Sorry por quedarme do... \n",
"411 Ay amorcito, estaría super bien eso. Pues pued... \n",
"412 Además de extrañarte?. La verdad no estoy segu... \n",
"\n",
"[413 rows x 2 columns]"
]
},
"execution_count": 104,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# Ruta de tu archivo JSONL\n",
"archivo_jsonl = 'Training_Data/Training_Prompts.jsonl'\n",
"\n",
"# Lista para almacenar los datos extraídos\n",
"json_data = []\n",
"# Leer archivo JSONL\n",
"with open(archivo_jsonl, 'r', encoding='utf-8') as file:\n",
" for line in file:\n",
" registro = json.loads(line)\n",
" contenido_user = ''\n",
" contenido_assistant = ''\n",
" for mensaje in registro['messages']:\n",
" if mensaje['role'] == 'user':\n",
" contenido_user = mensaje['content']\n",
" elif mensaje['role'] == 'assistant':\n",
" contenido_assistant = mensaje['content']\n",
" json_data.append({'user': contenido_user, 'assistant': contenido_assistant})\n",
"\n",
"# Convertir los datos a un DataFrame de pandas\n",
"samples = pd.DataFrame(json_data)\n",
"samples"
]
},
{
"cell_type": "code",
"execution_count": 105,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"\n",
"User: Pues iremos por un café según\n",
"Assistant: Disfruten mucho su cafecito, Carmen Q\n",
"\n",
"User: Te amo. Sueña con nosotros \n",
"Assistant: Te amo mas. Ojalá con nuestra boda\n",
"\n",
"User: Buenos días amorchis, ten bonito día, te quiero\n",
"Assistant: Hola Carmen Q. Perdona por haber dormido. También ten un día muy cool. Te quiero mucho más.\n",
"\n",
"User: Que soñaste amorchis?\n",
"Assistant: Algo muy extraño, la verdad no me acuerdo\n",
"\n",
"User: Tengo mucho frío\n",
"Assistant: No me digas eso\n"
]
}
],
"source": [
"# Seleccionar 10 ejemplos aleatorios\n",
"sample = samples[['user', 'assistant']].sample(5)\n",
"\n",
"# Imprimir los resultados en el formato solicitado\n",
"for index, row in sample.iterrows():\n",
" print(f\"\\nUser: {row['user']}\")\n",
" print(f\"Assistant: {row['assistant']}\")"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
}
],
"metadata": {
"kernelspec": {
"display_name": "base",
"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": "3.9.7"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
|