dtflow 0.2.0__tar.gz → 0.3.1__tar.gz

{dtflow-0.2.0 → dtflow-0.3.1}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: dtflow
-Version: 0.2.0
+Version: 0.3.1
 Summary: A flexible data transformation tool for ML training formats (SFT, RLHF, Pretrain)
 Project-URL: Homepage, https://github.com/yourusername/DataTransformer
 Project-URL: Documentation, https://github.com/yourusername/DataTransformer#readme
@@ -27,11 +27,12 @@ Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
 Classifier: Topic :: Software Development :: Libraries :: Python Modules
 Classifier: Topic :: Text Processing
 Requires-Python: >=3.8
-Requires-Dist: fire>=0.4.0
 Requires-Dist: numpy>=1.20.0
 Requires-Dist: orjson>=3.9.0
+Requires-Dist: polars>=0.20.0
 Requires-Dist: pyyaml>=5.4.0
-Requires-Dist: tqdm>=4.60.0
+Requires-Dist: rich>=10.0.0
+Requires-Dist: typer>=0.9.0
 Provides-Extra: converters
 Requires-Dist: datasets>=2.0.0; extra == 'converters'
 Provides-Extra: dev
@@ -42,7 +43,6 @@ Requires-Dist: mypy>=0.910; extra == 'dev'
 Requires-Dist: pytest-cov>=2.12.0; extra == 'dev'
 Requires-Dist: pytest>=6.0.0; extra == 'dev'
 Provides-Extra: display
-Requires-Dist: rich>=10.0.0; extra == 'display'
 Provides-Extra: docs
 Requires-Dist: myst-parser>=0.15.0; extra == 'docs'
 Requires-Dist: sphinx-rtd-theme>=0.5.0; extra == 'docs'
@@ -50,21 +50,28 @@ Requires-Dist: sphinx>=4.0.0; extra == 'docs'
 Provides-Extra: full
 Requires-Dist: datasets>=2.0.0; extra == 'full'
 Requires-Dist: datasketch>=1.5.0; extra == 'full'
-Requires-Dist: pandas>=1.3.0; extra == 'full'
+Requires-Dist: huggingface-hub>=0.20.0; extra == 'full'
 Requires-Dist: pyarrow; extra == 'full'
 Requires-Dist: rich>=10.0.0; extra == 'full'
 Requires-Dist: scikit-learn>=0.24.0; extra == 'full'
 Requires-Dist: tiktoken>=0.5.0; extra == 'full'
+Requires-Dist: tokenizers>=0.15.0; extra == 'full'
+Requires-Dist: toolong>=1.5.0; extra == 'full'
+Provides-Extra: logs
+Requires-Dist: toolong>=1.5.0; extra == 'logs'
 Provides-Extra: mcp
 Requires-Dist: mcp>=1.0.0; extra == 'mcp'
 Provides-Extra: similarity
 Requires-Dist: datasketch>=1.5.0; extra == 'similarity'
 Requires-Dist: scikit-learn>=0.24.0; extra == 'similarity'
 Provides-Extra: storage
-Requires-Dist: pandas>=1.3.0; extra == 'storage'
 Requires-Dist: pyarrow; extra == 'storage'
 Provides-Extra: tokenizers
 Requires-Dist: tiktoken>=0.5.0; extra == 'tokenizers'
+Provides-Extra: tokenizers-hf
+Requires-Dist: huggingface-hub>=0.20.0; extra == 'tokenizers-hf'
+Requires-Dist: tiktoken>=0.5.0; extra == 'tokenizers-hf'
+Requires-Dist: tokenizers>=0.15.0; extra == 'tokenizers-hf'
 Description-Content-Type: text/markdown
 
 # dtflow
@@ -101,7 +108,7 @@ dt = DataTransformer.load("data.jsonl")
 ### 数据加载与保存
 
 ```python
-# 支持 JSONL、JSON、CSV、Parquet
+# 支持 JSONL、JSON、CSV、Parquet、Arrow（使用 Polars 引擎，比 Pandas 快 3x）
 dt = DataTransformer.load("data.jsonl")
 dt.save("output.jsonl")
 
@@ -159,11 +166,36 @@ stats = token_stats(dt.data, "text")
 # {"total_tokens": 12345, "avg_tokens": 123, "min_tokens": 5, "max_tokens": 500, ...}
 ```
 
-支持 `tiktoken`（OpenAI，默认）和 `transformers` 后端：
+支持 `tiktoken`（OpenAI，默认）和 `transformers` 后端，**自动检测**：
 
 ```python
-# 使用 transformers tokenizer
-count_tokens("Hello", model="Qwen/Qwen2-7B", backend="transformers")
+# OpenAI 模型 -> 自动使用 tiktoken
+count_tokens("Hello", model="gpt-4")
+
+# HuggingFace/本地模型 -> 自动使用 transformers
+count_tokens("Hello", model="Qwen/Qwen2-7B")
+count_tokens("Hello", model="/home/models/qwen")
+```
+
+### Messages Token 统计
+
+专为多轮对话设计的 token 统计功能：
+
+```python
+from dtflow import messages_token_counter, messages_token_filter, messages_token_stats
+
+# 为每条数据添加 token 统计
+dt.transform(messages_token_counter(model="gpt-4"))  # 简单模式，输出总数
+dt.transform(messages_token_counter(model="gpt-4", detailed=True))  # 详细模式
+# 详细模式输出: {"total": 500, "user": 200, "assistant": 280, "system": 20, "turns": 5, ...}
+
+# 按 token 数和轮数过滤
+dt.filter(messages_token_filter(min_tokens=100, max_tokens=4096))
+dt.filter(messages_token_filter(min_turns=2, max_turns=10))
+
+# 统计整个数据集
+stats = messages_token_stats(dt.data, model="gpt-4")
+# {"count": 1000, "total_tokens": 500000, "user_tokens": 200000, "assistant_tokens": 290000, ...}
 ```
 
 ### 格式转换器
@@ -172,7 +204,7 @@ count_tokens("Hello", model="Qwen/Qwen2-7B", backend="transformers")
 from dtflow import (
     to_hf_dataset, from_hf_dataset,    # HuggingFace Dataset
     to_openai_batch, from_openai_batch, # OpenAI Batch API
-    to_llama_factory,                   # LLaMA-Factory 格式
+    to_llama_factory,                   # LLaMA-Factory Alpaca 格式
     to_axolotl,                         # Axolotl 格式
     messages_to_text,                   # messages 转纯文本
 )
@@ -187,14 +219,62 @@ data = from_hf_dataset("tatsu-lab/alpaca", split="train")
 batch_input = dt.to(to_openai_batch(model="gpt-4o"))
 results = from_openai_batch(batch_output)
 
-# 训练框架格式
-dt.transform(to_llama_factory()).save("llama_factory.jsonl")
-dt.transform(to_axolotl()).save("axolotl.jsonl")
-
 # messages 转纯文本（支持 chatml/llama2/simple 模板）
 dt.transform(messages_to_text(template="chatml"))
 ```
 
+### LLaMA-Factory 格式
+
+完整支持 LLaMA-Factory 的 SFT 训练格式：
+
+```python
+from dtflow import (
+    to_llama_factory,              # Alpaca 格式（单轮）
+    to_llama_factory_sharegpt,     # ShareGPT 格式（多轮对话）
+    to_llama_factory_vlm,          # VLM Alpaca 格式
+    to_llama_factory_vlm_sharegpt, # VLM ShareGPT 格式
+)
+
+# Alpaca 格式
+dt.transform(to_llama_factory()).save("alpaca.jsonl")
+# 输出: {"instruction": "...", "input": "", "output": "..."}
+
+# ShareGPT 格式（多轮对话）
+dt.transform(to_llama_factory_sharegpt()).save("sharegpt.jsonl")
+# 输出: {"conversations": [{"from": "human", "value": "..."}, {"from": "gpt", "value": "..."}], "system": "..."}
+
+# VLM 格式（图片/视频）
+dt.transform(to_llama_factory_vlm(images_field="images")).save("vlm.jsonl")
+# 输出: {"instruction": "...", "output": "...", "images": ["/path/to/img.jpg"]}
+
+dt.transform(to_llama_factory_vlm_sharegpt(images_field="images", videos_field="videos"))
+# 输出: {"conversations": [...], "images": [...], "videos": [...]}
+```
+
+### ms-swift 格式
+
+支持 ModelScope ms-swift 的训练格式：
+
+```python
+from dtflow import (
+    to_swift_messages,        # 标准 messages 格式
+    to_swift_query_response,  # query-response 格式
+    to_swift_vlm,             # VLM 格式
+)
+
+# messages 格式
+dt.transform(to_swift_messages()).save("swift_messages.jsonl")
+# 输出: {"messages": [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
+
+# query-response 格式（自动提取 history）
+dt.transform(to_swift_query_response(query_field="messages")).save("swift_qr.jsonl")
+# 输出: {"query": "...", "response": "...", "system": "...", "history": [["q1", "a1"], ...]}
+
+# VLM 格式
+dt.transform(to_swift_vlm(images_field="images")).save("swift_vlm.jsonl")
+# 输出: {"messages": [...], "images": ["/path/to/img.jpg"]}
+```
+
 ### 其他操作
 
 ```python
@@ -220,6 +300,7 @@ dt.shuffle(seed=42)
 # 数据采样
 dt sample data.jsonl --num=10
 dt sample data.csv --num=100 --sample_type=head
+dt sample data.jsonl 1000 --by=category           # 分层采样
 
 # 数据转换 - 预设模式
 dt transform data.jsonl --preset=openai_chat
@@ -230,6 +311,18 @@ dt transform data.jsonl                    # 首次运行生成配置文件
 # 编辑 .dt/data.py 后再次运行
 dt transform data.jsonl --num=100          # 执行转换
 
+# Pipeline 执行（可复现的数据处理流程）
+dt run pipeline.yaml
+dt run pipeline.yaml --input=new_data.jsonl --output=result.jsonl
+
+# Token 统计
+dt token-stats data.jsonl --field=messages --model=gpt-4
+dt token-stats data.jsonl --field=text --detailed
+
+# 数据对比
+dt diff v1/train.jsonl v2/train.jsonl
+dt diff a.jsonl b.jsonl --key=id
+
 # 数据清洗
 dt clean data.jsonl --drop-empty                    # 删除任意空值记录
 dt clean data.jsonl --drop-empty=text,answer        # 删除指定字段为空的记录
@@ -252,6 +345,132 @@ dt concat a.jsonl b.jsonl -o merged.jsonl
 dt stats data.jsonl
 ```
 
+### Pipeline 配置
+
+使用 YAML 配置文件定义可复现的数据处理流程：
+
+```yaml
+# pipeline.yaml
+version: "1.0"
+seed: 42
+input: raw_data.jsonl
+output: processed.jsonl
+
+steps:
+  - type: filter
+    condition: "score > 0.5"
+
+  - type: filter
+    condition: "len(text) > 10"
+
+  - type: transform
+    preset: openai_chat
+    params:
+      user_field: q
+      assistant_field: a
+
+  - type: dedupe
+    key: text
+```
+
+支持的步骤类型：
+
+| 步骤 | 参数 | 说明 |
+|------|------|------|
+| `filter` | `condition` | 条件过滤：`score > 0.5`, `len(text) > 10`, `field is not empty` |
+| `transform` | `preset`, `params` | 格式转换，使用预设模板 |
+| `dedupe` | `key`, `similar` | 去重，支持精确和相似度去重 |
+| `sample` | `num`, `seed` | 随机采样 |
+| `head` | `num` | 取前 N 条 |
+| `tail` | `num` | 取后 N 条 |
+| `shuffle` | `seed` | 打乱顺序 |
+| `split` | `ratio`, `seed` | 数据集分割 |
+
+执行 Pipeline：
+
+```bash
+dt run pipeline.yaml
+dt run pipeline.yaml --input=new_data.jsonl  # 覆盖输入文件
+```
+
+### 数据血缘追踪
+
+记录数据处理的完整历史，支持可复现和问题追溯：
+
+```python
+# 启用血缘追踪
+dt = DataTransformer.load("raw.jsonl", track_lineage=True)
+
+# 正常进行数据处理
+result = (dt
+    .filter(lambda x: x.score > 0.5)
+    .transform(lambda x: {"q": x.q, "a": x.a})
+    .dedupe("q")
+)
+
+# 保存时记录血缘
+result.save("processed.jsonl", lineage=True)
+# 自动生成 processed.jsonl.lineage.json
+```
+
+查看血缘历史：
+
+```bash
+dt history processed.jsonl
+# 输出：
+# 📊 数据血缘报告: processed.jsonl
+# └─ 版本 1
+#    来源: raw.jsonl
+#    操作链:
+#      ├─ filter: 1000 → 800
+#      ├─ transform: 800 → 800
+#      └─ dedupe: 800 → 750
+#    输出数量: 750
+
+dt history processed.jsonl --json  # JSON 格式输出
+```
+
+### 大文件流式处理
+
+专为超大文件设计的流式处理接口，内存占用 O(1)，支持 JSONL、CSV、Parquet、Arrow 格式：
+
+```python
+from dtflow import load_stream, load_sharded
+
+# 流式加载和处理（100GB 文件也只用常量内存）
+(load_stream("huge_100gb.jsonl")
+    .filter(lambda x: x["score"] > 0.5)
+    .transform(lambda x: {"text": x["content"]})
+    .save("output.jsonl"))
+
+# 跨格式转换（CSV → Parquet）
+(load_stream("data.csv")
+    .filter(lambda x: x["score"] > 0.5)
+    .save("output.parquet"))
+
+# 分片文件加载（支持多格式）
+(load_sharded("data/train_*.parquet")
+    .filter(lambda x: len(x["text"]) > 10)
+    .save("merged.jsonl"))
+
+# 分片保存
+(load_stream("huge.jsonl")
+    .transform(lambda x: {"q": x["question"], "a": x["answer"]})
+    .save_sharded("output/", shard_size=100000))
+# 生成: output/part-00000.jsonl, output/part-00001.jsonl, ...
+
+# 批次处理（适合需要批量调用 API 的场景）
+for batch in load_stream("data.jsonl").batch(1000):
+    results = call_api(batch)  # 批量处理
+```
+
+特点：
+- **惰性执行**：filter/transform 不会立即执行，只在 save/collect 时才触发
+- **O(1) 内存**：无论文件多大，内存占用恒定（读取侧）
+- **多格式支持**：JSONL、CSV、Parquet、Arrow 均支持流式处理
+- **跨格式转换**：可直接从 CSV 读取并保存为 Parquet 等
+- **分片支持**：支持 glob 模式加载多个分片，自动合并处理
+
 ## 错误处理
 
 ```python