Batch Data Splitter 批量数据均匀分割 Skill

功能概述

本skill面向大容量批量数据集进行均等分割，可设定分割份数或单份样本容量，将整体数据集均匀划分为多组子数据集。 无差别平均分配原始样本，保持各组数据分布一致性，适配流水线分批运算、多任务并行处理、数据分库存储等业务场景。

触发条件

当用户请求以下任务时，应使用此skill：

• 批量拆分
• 数据分片
• 均匀划分
• 按份数切块
• 按固定条数切块

核心参数说明

必需参数

• --input：输入文件路径
• --output_dir：输出清单文件路径（JSON），实际分割文件写入同名 _splits/ 子目录

可选参数

• --num_splits：分割份数，默认 0（0 表示按 chunk_size 分割）
• --chunk_size：每份样本数量，默认 1000
• --output_prefix：输出文件名前缀，默认 split
• --shuffle：是否打乱顺序，默认 false
• --random_seed：随机种子，默认 42

输入文件格式

支持 json、jsonl、csv。

使用方法

按份数分割

python scripts/run_batch_data_splitter.py \
  --input corpus.csv \
  --output_dir ./splits_manifest.json \
  --num_splits 10

按每份数量分割

python scripts/run_batch_data_splitter.py \
  --input corpus.csv \
  --output_dir ./splits_manifest.json \
  --chunk_size 5000

打乱后分割

python scripts/run_batch_data_splitter.py \
  --input corpus.csv \
  --output_dir ./splits_manifest.json \
  --num_splits 5 \
  --shuffle true

输出示例

[OK] Batch data splitting completed!
   Input file: corpus.csv
   Total samples: 11
   Number of splits: 4
   Samples per split: [3, 3, 3, 2]
   Manifest file: ./splits_manifest.json
   Splits directory: ./splits_manifest_splits
   Output files:
     - split_001.csv (3 samples)
     - split_002.csv (3 samples)
     - split_003.csv (3 samples)
     - split_004.csv (2 samples)

环境要求

• Python 3.x
• 标准库即可运行

注意事项

1. 如果总数不能整除，最后一份可能样本数较少。
2. num_splits 优先级高于 chunk_size。
3. 当 num_splits 大于总样本数时，会自动收敛为最多生成 total_count 份。
4. 输出文件名格式：{prefix}_{序号}.{扩展名}。
5. --output_dir 指定的是清单 JSON 文件路径，实际分割文件写入同名 _splits/ 子目录，是引擎下游节点可消费的单文件输出。
6. 这里只做均匀分片，不做比例拆分或分层保持。