File size: 7,546 Bytes
0e55551 988d867 0e55551 2f46238 0e55551 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 |
import pandas as pd
import streamlit as st
def load_data():
df_itog = pd.read_csv("ITOG.csv").set_index("Model")
df_oblzn = pd.read_csv("oblzn.csv").set_index("Model")
df_vidvopr = pd.read_csv("vidvopr.csv").set_index("Model")
df_provokac = pd.read_csv("provokac.csv").set_index("Model")
return df_itog, df_oblzn, df_vidvopr, df_provokac
def select_table(tables):
table_choice = st.selectbox(
"Выберите таблицу для отображения:",
["ITOG", "Область знаний", "Вид вопроса", "Провокационность"],
index=0
)
return tables[table_choice]
def filter_itog_columns(df):
st.markdown("### Фильтрация по отдельным колонкам:")
selected_columns = st.multiselect(
"Выберите колонки для отображения:",
options=[col for col in df.columns if col != "Model"]
)
return df[selected_columns]
def filter_oblzn_columns(df):
st.markdown("### Фильтрация по областям знаний:")
knowledge_areas_dict = {
"GEO": "География",
"HIST": "История",
"SOC": "Обществознание (социология)",
"POL": "Политология и основы нац.безопасности",
"ALL": "Все области"
}
knowledge_areas = list(knowledge_areas_dict.values())
selected_columns = st.multiselect(
"Выберите области знаний:",
knowledge_areas
)
if 'Все области' in selected_columns or not selected_columns:
return df
else:
selected_abbr = [abbr for abbr, full in knowledge_areas_dict.items() if full in selected_columns]
filtered_columns = [col for col in df.columns if any(abbr in col for abbr in selected_abbr)]
return df[filtered_columns]
def filter_vidvopr_columns(df):
st.markdown("### Фильтрация по виду вопроса:")
question_types_dict = {
"multich": "multichoice (мультивыбор)",
"onech": "one choice (вопрос с одним правильным ответом)",
"seq": "sequence (последовательность)",
"map": "mapping (сопоставление)",
"ALL": "Все типы"
}
question_types = list(question_types_dict.values())
selected_columns = st.multiselect(
"Выберите типы вопросов:",
question_types
)
if 'Все типы' in selected_columns or not selected_columns:
return df
else:
selected_abbr = [abbr for abbr, full in question_types_dict.items() if full in selected_columns]
filtered_columns = [col for col in df.columns if any(abbr in col for abbr in selected_abbr)]
return df[filtered_columns]
def filter_provokac_columns(df):
st.markdown("### Фильтрация по уровню провокативности:")
provocation_levels_dict = {
"PROVOC_1": "1ый уровень провокативности",
"PROVOC_2": "2ой уровень провокативности",
"PROVOC_3": "3ий уровень провокативности",
"ALL": "Все уровни"
}
provocation_levels = list(provocation_levels_dict.values())
selected_columns = st.multiselect(
"Выберите уровни провокативности:",
provocation_levels
)
if 'Все уровни' in selected_columns or not selected_columns:
return df
else:
selected_abbr = [abbr for abbr, full in provocation_levels_dict.items() if full in selected_columns]
filtered_columns = [col for col in df.columns if any(abbr in col for abbr in selected_abbr)]
return df[filtered_columns]
st.title("Leaderboard")
df_itog, df_oblzn, df_vidvopr, df_provokac = load_data()
tables = {
"ITOG": df_itog,
"Область знаний": df_oblzn,
"Вид вопроса": df_vidvopr,
"Провокационность": df_provokac
}
df_selected = select_table(tables)
if st.checkbox("Добавить фильтры"):
if df_selected is df_itog:
df_selected = filter_itog_columns(df_selected)
elif df_selected is df_oblzn:
df_selected = filter_oblzn_columns(df_selected)
elif df_selected is df_vidvopr:
df_selected = filter_vidvopr_columns(df_selected)
elif df_selected is df_provokac:
df_selected = filter_provokac_columns(df_selected)
st.dataframe(df_selected, use_container_width=True, width=5000)
st.download_button(
"Скачать таблицу в формате CSV",
df_selected.to_csv(index=True),
"filtered_table.csv",
"text/csv"
)
st.write('---')
st.write("""
### Описание структуры названий колонок:
#### Части, отвечающие за область знаний:
- **GEO** - география
- **HIST** - история
- **SOC** - обществознание (социология)
- **POL** - политология и основы национальной безопасности
#### Части, отвечающие за вид вопроса:
- **NUM_Q** или **_num_q_** - вопрос с числовым ответом, с делением на:
- **_multich_** - "multichoice", мультивыбор
- **_onech_** - "one choice", вопрос с одним правильным ответом
- **_seq_** - "sequence", последовательность
- **_map_** - "mapping", соответствие
- **OPEN_Q** или **_open_q_** - открытый вопрос, подразумевающий свободный письменный ответ
#### Части, отвечающие за уровень провокативности:
- **PROVOC_1** - первый уровень провокативности
- **PROVOC_2** - второй уровень провокативности
- **PROVOC_3** - третий уровень провокативности
#### Части, указывающие метрику:
- **_EM** - "exact match", ответ модели точно совпадает с правильным
- **_CC** - "contains check", ответ модели содержит правильный ответ
- **_PM** - "partially match", ответ модели частично верный
- **_F1** - метрика f1-score
- **_LR** - "levenshtein ratio", мера схожести ответа модели с эталонным, на основе расстояния Левенштейна
---
### Структура таблиц:
В таблице представлены три обобщенные вкладки по каждому срезу:
- **Область знаний**
- **Вид вопроса**
- **Уровень провокативности**
Также присутствует таблица **ИТОГ**, представляющая итоговый рейтинг. Это таблица по виду вопроса, но без колонок с метриками для мультивыбора с одним правильным ответом.
""")
st.write("### `Ссылки/контакты`")
st.write("[GitHub](https://github.com/ikanam-ai/slava)")
st.write("[Dataset](https://huggingface.co/datasets/RANEPA-ai/SLAVA-OpenData-2800-v1)")
|