abbrev_expander
Free领域缩略语展开 Skill：按内置或外部词典将独立缩略语替换为全称，可选在全称后保留原缩写。 适用于技术文本、论文摘要和业务记录中的缩写清洗；不负责模糊缩写消歧或大小写无关替换。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
FreePublished on GitHub
mixture_formatter
混合格式化器。该类通过从每个数据集中随机选择样本并合并它们来混合多个数据集，然后将合并的数据集导出为新的混合数据集。
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 当用户提到混合数据集、合并多个数据集、数据集混合、数据融合等需求时使用此skill。
The English summary is being prepared. Showing the original description.
See how to installFiles included (5)
- SKILL.md3.6 KB
- assets/icon.png23.7 KB
- scripts/example.md707 B
- scripts/run_mixture_formatter.py2.9 KB
- skill.json2.4 KB
SKILL.md (original)
Review the instructions the agent will receive before you install.
功能概述
该算子用于混合多个数据集，通过从每个数据集中按权重随机选择样本并合并，生成新的混合数据集。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| dataset_path | string | 是 | - | 数据集路径，支持带权重格式 |
| output_path | string | 是 | - | 输出JSONL文件路径 |
| suffixes | list | 否 | None | 指定后缀列表 |
| text_keys | list | 否 | ['text'] | 文本字段名列表 |
| add_suffix | bool | 否 | False | 是否添加文件后缀信息 |
| max_samples | int | 否 | None | 混合数据集最大样本数 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
输入数据格式
dataset_path 支持以下格式：
- 单个文件：
/path/to/data.jsonl - 单个目录：
/path/to/data_directory - 带权重格式：
<权重1> 路径1 <权重2> 路径2 ...
例如：/path/to/dataset1.jsonl 0.5 /path/to/dataset2.jsonl 0.5
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
# 混合两个数据集，等权重
python scripts/run_mixture_formatter.py \
--dataset_path "/path/to/dataset1.jsonl /path/to/dataset2.jsonl" \
--output_path /path/to/output.jsonl
# 带权重的混合
python scripts/run_mixture_formatter.py \
--dataset_path "0.7 /path/to/dataset1.jsonl 0.3 /path/to/dataset2.jsonl" \
--output_path /path/to/output.jsonl
# 限制最大样本数
python scripts/run_mixture_formatter.py \
--dataset_path "/path/to/dataset1.jsonl /path/to/dataset2.jsonl" \
--output_path /path/to/output.jsonl \
--max_samples 10000
参数说明
--dataset_path: 数据集路径，支持空格分隔的多个路径和权重--output_path: 输出JSONL文件路径--suffixes: 目标后缀--text_keys: 文本字段名--add_suffix: 是否添加文件后缀--max_samples: 最大样本数--num_proc: 并行进程数
注意事项
- 权重格式：
<权重> 路径，权重可选，不指定时默认为1.0 - 样本按权重比例分配，总和可能不等于 max_samples
- 每个数据集的样本是随机选择的
Reviews
No reviews yet. Tell others what you thought.
Comments
No login needed. Share how it worked for you, ask a question, or note where it did not run.
No comments yet. Be the first to write one.
More skills from this repository
字母数字比例过滤器。过滤文本中字母/数字比例不在指定范围内的样本。 当用户提到文本过滤、比例筛选、字母比例、数字比例、清理乱码文本等需求时使用此skill。 即使用户没有明确说出"过滤"，只要任务涉及根据文本中字母或数字的比例来筛选数据， 就应该使用此skill。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
平均行长度过滤器。过滤文本平均行长度不在指定范围内的样本。 当用户提到行长度过滤、平均行长度、文本行长度筛选、按行筛选等需求时使用此skill。 即使用户没有明确说出"平均行长度"，只要任务涉及根据文本中每行的平均长度来筛选数据， 就应该使用此skill。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
batch_collector
Free批量文件清单采集器。扫描一个或多个本地文件/目录，或从任务列表加载路径， 按支持的扩展名生成文件元信息清单，供后续文本、表格、文档、图像等采集流程继续处理。 当用户需要批量盘点待采集文件、生成本地文件 manifest、统计输入文件类型或为后续采集算子准备文件清单时使用此 skill。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
批量数据均匀分片工具。读取json/jsonl/csv输入，按份数或固定条数切成多个子文件，输出一个清单JSON供下游节点消费。 当用户提到数据分割、批量拆分、数据分片、均匀分块等需求时使用此skill。 即使用户没有明确说出"分片"，只要任务是把整份批量数据均匀拆成多个文件，就应该使用此skill。 不负责按字段分组导出或随机采样。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
bdbe_cellanno
Free本skill是用于单细胞测序数据分析的专用技能，首先需要用户上传需要处理的单细胞测序数据，再对经过预处理的单细胞表达数据进行自动化细胞类型注释。它通过基因比对、数据标准化、降维等一系列流程，将细胞聚类结果与已知参考数据库进行匹配，从而为每个细胞分配生物学功能标签。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026