data example
Browse files
README.md
CHANGED
@@ -12,4 +12,30 @@ input: ich liebe das leben --> output: Ich liebe das Leben.
|
|
12 |
|
13 |
input: es ist schön so viele tolle menschen um sich zu haben denn ohne sie wäre es nicht so schön --> output: Es ist schön, so viele tolle Menschen, um sich zu haben, denn ohne sie wäre es nicht so schön.
|
14 |
|
15 |
-
input: der kunde hat ausdrücklich nach dirk verlangt weil er den rabatt haben möchte --> output: Der Kunde hat ausdrücklich nach Dirk verlangt, weil er den Rabatt haben möchte.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12 |
|
13 |
input: es ist schön so viele tolle menschen um sich zu haben denn ohne sie wäre es nicht so schön --> output: Es ist schön, so viele tolle Menschen, um sich zu haben, denn ohne sie wäre es nicht so schön.
|
14 |
|
15 |
+
input: der kunde hat ausdrücklich nach dirk verlangt weil er den rabatt haben möchte --> output: Der Kunde hat ausdrücklich nach Dirk verlangt, weil er den Rabatt haben möchte.
|
16 |
+
|
17 |
+
|
18 |
+
the data can be prepared like this:
|
19 |
+
the broken_text is used as input, while the text is the output
|
20 |
+
```python
|
21 |
+
|
22 |
+
chars_to_ignore_regex = "[^A-Za-z0-9\ö\ä\ü\Ö\Ä\Ü\ß\-,;.:?! ]+"
|
23 |
+
broken_chars_to_ignore_regex = "[^A-Za-z0-9\ö\ä\ü\Ö\Ä\Ü\ß\- ]+"
|
24 |
+
|
25 |
+
|
26 |
+
def do_manipulation(string):
|
27 |
+
text = re.sub(chars_to_ignore_regex, '', string)
|
28 |
+
broken_text = re.sub(broken_chars_to_ignore_regex, "", text.lower())
|
29 |
+
|
30 |
+
if(random.randint(0,100) >= 50):
|
31 |
+
for xyz in range(int(len(broken_text.split(" "))/4)):
|
32 |
+
if(random.randint(0,100) > 30):
|
33 |
+
randc = random.choice(broken_text.split(" "))
|
34 |
+
if(random.randint(0,10) > 4):
|
35 |
+
broken_text = broken_text.replace(randc, ''.join(random.choice('abcdefghijklmnopqrstuvxyz') for _ in range(len(randc))).lower())
|
36 |
+
else:
|
37 |
+
broken_text = broken_text.replace(randc, phonetics.metaphone(randc).lower())
|
38 |
+
|
39 |
+
return text, broken_text
|
40 |
+
|
41 |
+
```
|