此页面尚未提供您所选语言的版本，当前显示英文版本。

Formati di Dati

Formati di dati supportati e come strutturare i dati per l'annotazione.

Formati di Dati

Potato supporta nativamente più formati di dati. Questa guida spiega come strutturare i dati per l'annotazione.

Formati Supportati

Formato	Estensione	Descrizione
JSON	`.json`	Array di oggetti
JSON Lines	`.jsonl`	Un oggetto JSON per riga
CSV	`.csv`	Valori separati da virgola
TSV	`.tsv`	Valori separati da tabulazione

Formato JSON

Il formato più comune. I dati devono essere un array di oggetti:

json

[
  {
    "id": "doc_001",
    "text": "This is the first document to annotate.",
    "source": "twitter",
    "date": "2024-01-15"
  },
  {
    "id": "doc_002",
    "text": "This is the second document.",
    "source": "reddit",
    "date": "2024-01-16"
  }
]

Formato JSON Lines

Ogni riga è un oggetto JSON separato. Utile per dataset di grandi dimensioni:

jsonl

{"id": "doc_001", "text": "First document"}
{"id": "doc_002", "text": "Second document"}
{"id": "doc_003", "text": "Third document"}

Formato CSV/TSV

Dati tabulari con intestazioni:

csv

id,text,source
doc_001,"This is the first document",twitter
doc_002,"This is the second document",reddit

Configurazione

Configurazione Base

Configura i file di dati e le mappature dei campi nel tuo YAML:

yaml

data_files:
  - "data/documents.json"
 
item_properties:
  id_key: id      # Field name for unique ID
  text_key: text  # Field name for content to annotate

File di Dati Multipli

Combina più sorgenti di dati:

yaml

data_files:
  - "data/batch_1.json"
  - "data/batch_2.json"
  - "data/batch_3.jsonl"

I file vengono elaborati in ordine e combinati.

Tipi di Dati

Testo Semplice

Contenuto testuale semplice:

json

{
  "id": "1",
  "text": "The product arrived quickly and works great!"
}

File Multimediali

Riferimento a immagini, video o audio:

json

{
  "id": "1",
  "image_path": "images/photo_001.jpg"
}

yaml

item_properties:
  id_key: id
  image_key: image_path

Dialogo/Liste

Le liste vengono visualizzate automaticamente in orizzontale:

json

{
  "id": "1",
  "text": "Option A,Option B,Option C"
}

Coppie di Testo

Per attività di confronto:

json

{
  "id": "pair_001",
  "text": {
    "A": "Response from Model A",
    "B": "Response from Model B"
  }
}

File HTML

Riferimento a file HTML archiviati in cartelle:

json

{
  "id": "1",
  "html_file": "html/document_001.html"
}

Annotazione Contestuale

Includi il contesto accanto al testo principale:

json

{
  "id": "1",
  "text": "This is great!",
  "context": "Previous message: How do you like the new feature?"
}

yaml

item_properties:
  id_key: id
  text_key: text
  context_key: context

Configurazione della Visualizzazione

Opzioni di Visualizzazione delle Liste

Controlla come vengono visualizzate le liste e i dizionari:

yaml

list_as_text:
  # Add prefixes to items
  text_prefix: "A"  # A., B., C. (or "1" for 1., 2., 3.)
 
  # Display orientation
  horizontal: true  # Side-by-side (false for vertical)
 
  # Randomization
  randomize_values: true   # Shuffle list items
  randomize_keys: true     # Shuffle dictionary keys

Contenuto HTML

Abilita il rendering HTML nel testo:

yaml

html_content: true

json

{
  "id": "1",
  "text": "<p>This is <strong>formatted</strong> text.</p>"
}

Configurazione dell'Output

Directory di Output

Specifica dove vengono salvate le annotazioni:

yaml

output_annotation_dir: "output/"

Formato di Output

Scegli il formato di output:

yaml

output_annotation_format: "json"  # json, jsonl, csv, or tsv

Struttura dell'Output

Le annotazioni includono l'ID del documento e le risposte:

json

{
  "id": "doc_001",
  "user": "annotator_1",
  "annotations": {
    "sentiment": "Positive",
    "confidence": 4
  },
  "timestamp": "2024-01-15T10:30:00Z"
}

Tipi di Dati Speciali

Best-Worst Scaling

Per attività di classificazione, usa elementi separati da virgola:

json

{
  "id": "1",
  "text": "Item A,Item B,Item C,Item D"
}

Argomenti Personalizzati

Includi campi aggiuntivi per la visualizzazione o il filtraggio:

json

{
  "id": "1",
  "text": "Document content",
  "category": "news",
  "priority": "high",
  "custom_field": "any value"
}

Backend Database

Per dataset di grandi dimensioni, utilizza MySQL:

yaml

database:
  type: mysql
  host: localhost
  database: potato_db
  user: ${DB_USER}
  password: ${DB_PASSWORD}

Potato crea automaticamente le tabelle necessarie al primo avvio.

Validazione dei Dati

Potato valida i tuoi dati all'avvio:

Campo ID mancante - Tutti gli elementi devono avere identificatori univoci
Campo testo mancante - Gli elementi devono avere contenuto da annotare
ID duplicati - Tutti gli ID devono essere univoci
File non trovato - Verifica i percorsi dei file di dati

Esempio Completo

yaml

task_name: "Document Classification"
task_dir: "."
port: 8000
 
# Data configuration
data_files:
  - "data/documents.json"
 
item_properties:
  id_key: id
  text_key: text
  context_key: metadata
 
# Display settings
list_as_text:
  text_prefix: "1"
  horizontal: false
 
# Output
output_annotation_dir: "output/"
output_annotation_format: "json"
 
# Annotation scheme
annotation_schemes:
  - annotation_type: radio
    name: category
    description: "Select the document category"
    labels:
      - News
      - Opinion
      - Tutorial
      - Other
 
allow_all_users: true

Buone Pratiche

1. Usa ID Significativi

Facilita il tracciamento e il debug:

json

{"id": "twitter_2024_001", "text": "..."}

2. Mantieni il Testo Conciso

I testi lunghi rallentano l'annotazione. Considera di:

Troncare alle parti essenziali
Fornire riassunti
Usare contenitori scorrevoli

3. Includi Metadati

Facilitano il filtraggio e l'analisi:

json

{
  "id": "1",
  "text": "Content",
  "source": "twitter",
  "date": "2024-01-15",
  "language": "en"
}

4. Valida Prima del Caricamento

Controlla i dati offline:

python

import json
 
with open('data.json') as f:
    data = json.load(f)
 
# Check for required fields
for item in data:
    assert 'id' in item, f"Missing id: {item}"
    assert 'text' in item, f"Missing text: {item}"
 
# Check for duplicates
ids = [item['id'] for item in data]
assert len(ids) == len(set(ids)), "Duplicate IDs found"
 
print(f"Validated {len(data)} items")

5. Fai il Backup dei Dati Originali

Tieni i dati grezzi separati dalle annotazioni per garantire la riproducibilità.

6. Usa JSON Lines per File di Grandi Dimensioni

Più efficiente in termini di memoria rispetto agli array JSON:

bash

# Convert JSON array to JSON Lines
cat data.json | jq -c '.[]' > data.jsonl

Approfondimenti

Caricamento della Directory Dati - Carica da directory con monitoraggio in tempo reale
Annotazione di Dialoghi - Visualizzazione di dati multi-elemento
Formati di Esportazione - Opzioni per il formato di output

Per i dettagli implementativi, consulta la documentazione sorgente.