Pandas
Pandas 是一个流行的数据分析 DataFrame 库。
要从单个 Parquet 文件读取,请使用 read_parquet
函数将其读入 DataFrame
import pandas as pd
df = (
pd.read_parquet("https://huggingface.co/datasets/barilan/blog_authorship_corpus/resolve/refs%2Fconvert%2Fparquet/blog_authorship_corpus/train/0000.parquet")
.groupby('horoscope')['text']
.apply(lambda x: x.str.len().mean())
.sort_values(ascending=False)
.head(5)
)
要读取多个 Parquet 文件 - 例如,如果数据集已分片 - 您需要使用 concat
函数将文件连接到单个 DataFrame 中
df = (
pd.concat([pd.read_parquet(url) for url in urls])
.groupby('horoscope')['text']
.apply(lambda x: x.str.len().mean())
.sort_values(ascending=False)
.head(5)
)