sronquillo2/Enhanced_Emotion_Classification_Dataset

1# 数据集统计信息2 3## 概览4 5- **总样本数**: 240,426 条6- **训练集**: 186,619 (77.62%)7- **验证集**: 31,086 (12.93%)8- **测试集**: 22,721 (9.45%)9- **情感类别**: 7种（neutral + 6种Ekman基本情感）10- **数据源**: 7个（Movies_Reviews, dailydialog, goemotions, isear, meld, mteb_emotion, tweetemotions）11 12## 数据集列表13 14### 合并数据集（按子集）15 16| 子集 | 样本数 | 占比 | 文件名 |17|------|--------|------|--------|18| 训练集 | 186,619 | 77.62% | train.csv |19| 验证集 | 31,086 | 12.93% | val.csv |20| 测试集 | 22,721 | 9.45% | test.csv |21| **总计** | **240,426** | **100%** | |22 23## 情感分布24 25### 训练集情感分布 (186,619条)26 27| 情感 | 样本数 | 占比 |28|------|--------|------|29| neutral | 95,392 | 51.12% |30| joy | 40,380 | 21.64% |31| sadness | 14,886 | 7.98% |32| anger | 11,142 | 5.97% |33| fear | 11,011 | 5.90% |34| surprise | 9,528 | 5.11% |35| disgust | 4,280 | 2.29% |36 37### 验证集情感分布 (31,086条)38 39| 情感 | 样本数 | 占比 |40|------|--------|------|41| neutral | 12,734 | 40.96% |42| joy | 7,509 | 24.15% |43| sadness | 2,915 | 9.38% |44| fear | 2,506 | 8.06% |45| anger | 2,329 | 7.49% |46| surprise | 2,196 | 7.06% |47| disgust | 897 | 2.89% |48 49### 测试集情感分布 (22,721条)50 51| 情感 | 样本数 | 占比 |52|------|--------|------|53| neutral | 10,249 | 45.11% |54| joy | 5,198 | 22.88% |55| sadness | 2,074 | 9.13% |56| anger | 1,729 | 7.61% |57| fear | 1,516 | 6.67% |58| surprise | 1,348 | 5.93% |59| disgust | 607 | 2.67% |60 61### 整体情感分布 (240,426条)62 63| 情感 | 样本数 | 占比 |64|------|--------|------|65| neutral | 118,375 | 49.24% |66| joy | 53,087 | 22.08% |67| sadness | 19,875 | 8.27% |68| anger | 15,200 | 6.32% |69| fear | 15,033 | 6.25% |70| surprise | 13,072 | 5.44% |71| disgust | 5,784 | 2.41% |72 73## 数据源分布74 75### 训练集数据源分布76 77| 数据源 | 样本数 | 占比 |78|--------|--------|------|79| dailydialog | 87,170 | 46.71% |80| goemotions | 41,251 | 22.10% |81| tweetemotions | 21,763 | 11.66% |82| mteb_emotion | 15,956 | 8.55% |83| meld | 9,989 | 5.35% |84| Movies_Reviews | 6,725 | 3.60% |85| isear | 3,765 | 2.02% |86 87### 验证集数据源分布88 89| 数据源 | 样本数 | 占比 |90|--------|--------|------|91| goemotions | 11,786 | 37.91% |92| dailydialog | 8,069 | 25.95% |93| tweetemotions | 6,218 | 20.00% |94| mteb_emotion | 1,988 | 6.39% |95| meld | 1,109 | 3.57% |96| isear | 1,076 | 3.46% |97| Movies_Reviews | 840 | 2.70% |98 99### 测试集数据源分布100 101| 数据源 | 样本数 | 占比 |102|--------|--------|------|103| dailydialog | 7,740 | 34.06% |104| goemotions | 5,893 | 25.94% |105| tweetemotions | 3,110 | 13.69% |106| meld | 2,610 | 11.49% |107| mteb_emotion | 1,986 | 8.74% |108| Movies_Reviews | 842 | 3.71% |109| isear | 540 | 2.38% |110 111## 数据源信息112 113### Movies_Reviews114- **特点**: 电影评论情感数据115- **覆盖**: 包含7种情感类别116 117### DailyDialog118- **特点**: 真实对话数据，包含多轮对话119- **覆盖**: 包含7种情感类别120 121### GoEmotions122- **特点**: Reddit评论数据，口语化表达123- **覆盖**: 包含7种情感类别124 125### ISEAR126- **特点**: 国际情感研究数据，高质量文本127- **覆盖**: 包含7种情感类别128 129### MELD130- **特点**: 多模态情感对话数据，来自电视剧《老友记》131- **覆盖**: 包含7种情感类别132 133### mteb_emotion134- **特点**: 情感分析数据集，包含多种情感表达135- **覆盖**: 包含7种情感类别136 137### Tweet Emotions138- **特点**: Twitter推文数据，包含@mentions139- **覆盖**: 包含7种情感类别140 141## 数据质量说明142 1431. **类别不平衡**: neutral占主导（约40-51%），disgust样本最少（约2-3%）1442. **多源数据融合**: 7个数据源的文本已合并，每个样本包含`source`字段标识来源1453. **情感类别**: 统一使用7种Ekman情感类别，确保标签一致性1464. **数据分割**: 按7:2:1比例分割为训练集、验证集和测试集1475. **缺失值**: 已过滤所有缺失值，训练集、验证集和测试集均无缺失值148 149## 情感类别定义150 151- **neutral**: 中性，无情感倾向152- **joy**: 快乐，愉悦153- **sadness**: 悲伤，难过154- **anger**: 愤怒，生气155- **fear**: 恐惧，害怕156- **surprise**: 惊讶，意外157- **disgust**: 厌恶，反感158 159## 使用建议160 1611. **类别不平衡处理**: 建议使用类别权重或过采样/欠采样技术处理类别不平衡问题1622. **数据增强**: 对于样本较少的类别（如disgust），可以考虑数据增强技术1633. **多源数据融合**: 不同数据源的文本风格差异较大，建议在训练时注意数据分布1644. **评估指标**: 由于类别不平衡，建议使用F1-score、precision、recall等指标，而非仅使用准确率1655. **缺失值处理**: 训练前建议处理数据中的缺失值166 167## 文件结构168 169```170dataset_huggingface_enhance/171├── train.csv              # 合并后的训练集（186,619条）172├── val.csv                # 合并后的验证集（31,086条）173├── test.csv               # 合并后的测试集（22,721条）174├── label_list.txt         # 情感标签列表175├── info.md                # 数据集统计信息176├── README.md              # 数据集说明文档177├── stats.py               # 数据集统计脚本178└── dataset_infos.json     # Hugging Face数据集配置179```180 181## 数据格式182 183所有CSV文件包含以下列：184- `text`: 文本内容185- `label_text`: 情感标签（neutral/joy/sadness/anger/fear/surprise/disgust）186- `source`: 数据来源（如goemotions、dailydialog等）187 188---189 190*生成时间: 2026-01-07*191*数据版本: v2*192*数据源: 7个Ekman情感数据集合并*193