4.2 结构化数据流水线

• 需要进行命名实体审核的数据内容:

  ...
  踝部急性韧带损伤.csv
  踝部扭伤.csv
  踝部骨折.csv
  蹄铁形肾.csv
  蹼状阴茎.csv
  躁狂抑郁症.csv
  躁狂症.csv
  躁郁症.csv
  躯体形式障碍.csv
  躯体感染伴发的精神障碍.csv
  躯体感染所致精神障碍.csv
  躯体感觉障碍.csv
  躯体疾病伴发的精神障碍.csv
  转换性障碍.csv
  转移性小肠肿瘤.csv
  转移性皮肤钙化病.csv
  转移性肝癌.csv
  转移性胸膜肿瘤.csv
  转移性骨肿瘤.csv
  轮状病毒性肠炎.csv
  轮状病毒所致胃肠炎.csv
  软产道异常性难产.csv
  ...

• 每个csv文件的名字都是一种疾病名.

• 文件位置: /data/doctor_offline/structured/noreview/

• 以躁狂症.csv为例, 有如下内容:

躁郁样
躁狂
行为及情绪异常
心境高涨
情绪起伏大
技术狂躁症
攻击行为
易激惹
思维奔逸
控制不住的联想
精神运动性兴奋

• csv文件的内容是该疾病对应的症状, 每种症状占一行.

• 文件位置: /data/doctor_offline/structured/noreview/躁狂症.csv

• 进行命名实体审核:
  • 进行命名实体审核的工作我们这里使用AI模型实现, 包括训练数据集, 模型训练和使用的整个过程, 因此这里内容以独立一章的形成呈现给大家, 具体参见第五章: 命名实体审核任务.

• 删除审核后的可能存在的空文件:

  # Linux 命令-- 删除当前文件夹下的空文件
  find ./ -name "*" -type f -size 0c | xargs -n 1 rm -f
  

• 代码位置: 在/data/doctor_offline/structured/reviewed/目录下执行.

• 命名实体写入数据库:

• 将命名实体写入图数据库的原因:
  • 写入的数据供在线部分进行查询，根据用户输入症状来匹配对应疾病.

• 将命名实体写入图数据库代码:

# 引入相关包
import os
import fileinput
from neo4j import GraphDatabase
from config import NEO4J_CONFIG
driver = GraphDatabase.driver( **NEO4J_CONFIG)
def _load_data(path):
    """
    description: 将path目录下的csv文件以指定格式加载到内存
    :param path:  审核后的疾病对应症状的csv文件
    :return:      返回疾病字典，存储各个疾病以及与之对应的症状的字典
                  {疾病1: [症状1, 症状2, ...], 疾病2: [症状1, 症状2, ...]
    """
    # 获得疾病csv列表
    disease_csv_list = os.listdir(path)
    # 将后缀.csv去掉, 获得疾病列表
    disease_list = list(map(lambda x: x.split(".")[0], disease_csv_list))
    # 初始化一个症状列表, 它里面是每种疾病对应的症状列表
    symptom_list = []
    # 遍历疾病csv列表
    for disease_csv in disease_csv_list:
        # 将疾病csv中的每个症状取出存入symptom列表中
        symptom = list(map(lambda x: x.strip(), 
                           fileinput.FileInput(os.path.join(path, disease_csv))))
        # 过滤掉所有长度异常的症状名
        symptom = list(filter(lambda x: 0<len(x)<100, symptom))
        symptom_list.append(symptom)
    # 返回指定格式的数据
    return dict(zip(disease_list, symptom_list))
def write(path):
    """
    description: 将csv数据写入到neo4j, 并形成图谱
    :param path: 数据文件路径
    """
    # 使用_load_data从持久化文件中加载数据
    disease_symptom_dict = _load_data(path)
    # 开启一个neo4j的session
    with driver.session() as session:
        for key, value in disease_symptom_dict.items():
            cypher = "MERGE (a:Disease{name:%r}) RETURN a" %key
            session.run(cypher)
            for v in value:
                cypher = "MERGE (b:Symptom{name:%r}) RETURN b" %v
                session.run(cypher)
                cypher = "MATCH (a:Disease{name:%r}) MATCH (b:Symptom{name:%r}) \
                          WITH a,b MERGE(a)-[r:dis_to_sym]-(b)" %(key, v)
                session.run(cypher)
        cypher = "CREATE INDEX ON:Disease(name)"
        session.run(cypher)
        cypher = "CREATE INDEX ON:Symptom(name)"
        session.run(cypher)

• 调用:

# 输入参数path为csv数据所在路径
path = "/data/doctor_offline/structured/reviewed/"
write(path)

• 输出效果:
  • 通过可视化管理后台查看写入效果.