Brug ai.classify med pandaer

Funktionen ai.classify kategoriserer hver inputrække ved hjælp af de etiketter, du angiver.

Notat

Oversigt

Funktionen ai.classifyudvider pandaserieklassen . Hvis du vil tildele brugerleverede etiketter til hver inputrække, skal du kalde funktionen på en tekstkolonne i en pandas DataFrame.

Funktionen returnerer en pandas-serie, der indeholder klassificeringsmærkater, som kan gemmes i en ny DataFrame-kolonne.

Tips

Vi anbefaler, at du bruger funktionen ai.classify med mindst to inputnavne.

Syntaks

df["classification"] = df["input"].ai.classify("category1", "category2", "category3")

Parametre

Navn Beskrivelse
labels
Påkrævet		 En eller flere strenge , der repræsenterer det sæt klassificeringsetiketter, der skal matche inputtekstværdier.

Returnerer

Funktionen returnerer en pandaserie , der indeholder en klassificeringsetiket for hver inputtekstrække. Hvis en tekstværdi ikke kan klassificeres, er den tilsvarende etiket null.

Eksempel

# This code uses AI. Always review output for mistakes.

df = pd.DataFrame([
        "This duvet, lovingly hand-crafted from all-natural fabric, is perfect for a good night's sleep.",
        "Tired of friends judging your baking? With these handy-dandy measuring cups, you'll create culinary delights.",
        "Enjoy this *BRAND NEW CAR!* A compact SUV perfect for the professional commuter!"
    ], columns=["descriptions"])

df["category"] = df['descriptions'].ai.classify("kitchen", "bedroom", "garage", "other")
display(df)

Output:

Skærmbillede af en dataramme med kolonnerne

Multimodal input

For at klassificere billeder, PDF'er eller tekstfiler skal man indstille column_type="path" , hvornår inputkolonnen indeholder filsti-strenge. For understøttede filtyper og opsætning, se Brug multimodal input med AI-funktioner.

# This code uses AI. Always review output for mistakes.

file_path_series = aifunc.list_file_paths("/lakehouse/default/Files")
custom_df = pd.DataFrame({"file_path": file_path_series})

custom_df["highest_degree"] = custom_df["file_path"].ai.classify(
    "Master", "PhD", "Bachelor", "Other",
)
display(custom_df)

Notat

Når du bruger aifunc.list_file_paths() den til at oprette kolonnen for din filsti, bliver de returnerede yarl.URL objekter automatisk registreret som filstier. Du behøver kun at angive, column_type="path" når din kolonne indeholder almindelige streng-URL'er.

Du kan også bruge aifunc.load den til at indlæse filer i en DataFrame og derefter klassificere filsti-kolonnen:

# This code uses AI. Always review output for mistakes.

df, schema = aifunc.load("/lakehouse/default/Files")
df["category"] = df["file_path"].ai.classify("Master", "PhD", "Bachelor", "Other")
display(df)

Når du bruger aifunc.load, indeholder yarl.URL filsti-kolonnen objekter, der automatisk opdages. For almindelige streng-URL'er, sæt column_type="path".

Relateret indhold

  • Last updated on