了解你的数据集

数据集对象有两种类型，一种是常规的 Dataset，另一种是 ✨ IterableDataset ✨。 Dataset 提供对行的快速随机访问，并通过内存映射，因此加载大型数据集也只占用相对较少的设备内存。但对于真正非常大的、甚至无法存储在磁盘或内存中的数据集，IterableDataset 允许你在数据集完全下载之前就可以访问和使用它！

本教程将向你展示如何加载和访问 Dataset 和 IterableDataset。

数据集

当你加载一个数据集的某个分片时，你将得到一个 Dataset 对象。你可以对 Dataset 对象执行许多操作，因此了解如何操作和与之交互存储在其中的数据非常重要。

本教程使用 rotten_tomatoes 数据集，但你可以随意加载任何你想要的数据集并进行跟随！

>>> from datasets import load_dataset

>>> dataset = load_dataset("cornell-movie-review-data/rotten_tomatoes", split="train")

索引

一个 Dataset 包含数据列，每一列可以是不同类型的数据。索引或轴标签用于从数据集中访问样本。例如，按行索引将返回数据集中一个样本的字典

# Get the first row in the dataset
>>> dataset[0]
{'label': 1,
 'text': 'the rock is destined to be the 21st century\'s new " conan " and that he\'s going to make a splash even greater than arnold schwarzenegger , jean-claud van damme or steven segal .'}

使用 - 操作符从数据集末尾开始

# Get the last row in the dataset
>>> dataset[-1]
{'label': 0,
 'text': 'things really get weird , though not particularly scary : the movie is all portent and no content .'}

按列名索引将返回该列所有值的列表

>>> dataset["text"]
['the rock is destined to be the 21st century\'s new " conan " and that he\'s going to make a splash even greater than arnold schwarzenegger , jean-claud van damme or steven segal .',
 'the gorgeously elaborate continuation of " the lord of the rings " trilogy is so huge that a column of words cannot adequately describe co-writer/director peter jackson\'s expanded vision of j . r . r . tolkien\'s middle-earth .',
 'effective but too-tepid biopic',
 ...,
 'things really get weird , though not particularly scary : the movie is all portent and no content .']

你可以结合行和列名索引来返回特定位置的特定值

>>> dataset[0]["text"]
'the rock is destined to be the 21st century\'s new " conan " and that he\'s going to make a splash even greater than arnold schwarzenegger , jean-claud van damme or steven segal .'

索引顺序无关紧要。先按列名索引将返回一个 Column 对象，然后你可以像往常一样使用行索引来索引它

>>> import time

>>> start_time = time.time()
>>> text = dataset[0]["text"]
>>> end_time = time.time()
>>> print(f"Elapsed time: {end_time - start_time:.4f} seconds")
Elapsed time: 0.0031 seconds

>>> start_time = time.time()
>>> text = dataset["text"][0]
>>> end_time = time.time()
>>> print(f"Elapsed time: {end_time - start_time:.4f} seconds")
Elapsed time: 0.0042 seconds

切片

切片返回数据集的一个切片——或子集——这对于一次查看多行很有用。要对数据集进行切片，请使用 : 操作符指定一个位置范围。

# Get the first three rows
>>> dataset[:3]
{'label': [1, 1, 1],
 'text': ['the rock is destined to be the 21st century\'s new " conan " and that he\'s going to make a splash even greater than arnold schwarzenegger , jean-claud van damme or steven segal .',
  'the gorgeously elaborate continuation of " the lord of the rings " trilogy is so huge that a column of words cannot adequately describe co-writer/director peter jackson\'s expanded vision of j . r . r . tolkien\'s middle-earth .',
  'effective but too-tepid biopic']}

# Get rows between three and six
>>> dataset[3:6]
{'label': [1, 1, 1],
 'text': ['if you sometimes like to go to the movies to have fun , wasabi is a good place to start .',
  "emerges as something rare , an issue movie that's so honest and keenly observed that it doesn't feel like one .",
  'the film provides some great insight into the neurotic mindset of all comics -- even those who have reached the absolute top of the game .']}

IterableDataset

当你设置 load_dataset() 中的 streaming 参数为 True 时，将加载 IterableDataset

>>> from datasets import load_dataset

>>> iterable_dataset = load_dataset("ethz/food101", split="train", streaming=True)
>>> for example in iterable_dataset:
...     print(example)
...     break
{'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=384x512 at 0x7F0681F5C520>, 'label': 6}

你也可以从现有的 Dataset 创建一个 IterableDataset，但这比流式处理模式更快，因为数据集是从本地文件流式传输的

>>> from datasets import load_dataset

>>> dataset = load_dataset("cornell-movie-review-data/rotten_tomatoes", split="train")
>>> iterable_dataset = dataset.to_iterable_dataset()

IterableDataset 每次只迭代数据集的一个样本，所以你不需要等待整个数据集下载完成就可以使用它。正如你可以想象的那样，这对于你想立即使用的大型数据集非常有用！

索引

IterableDataset 的行为与常规的 Dataset 不同。你无法对 IterableDataset 中的样本进行随机访问。相反，你应该迭代它的元素，例如，通过调用 next(iter()) 或使用 for 循环来返回 IterableDataset 中的下一个项目

>>> next(iter(iterable_dataset))
{'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=384x512 at 0x7F0681F59B50>,
 'label': 6}

>>> for example in iterable_dataset:
...     print(example)
...     break
{'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=384x512 at 0x7F7479DE82B0>, 'label': 6}

但是 IterableDataset 支持列索引，它将返回一个列值的可迭代对象

>>> next(iter(iterable_dataset["label"]))
6

创建子集

你可以使用 IterableDataset.take() 返回包含特定数量样本的数据集子集

# Get first three examples
>>> list(iterable_dataset.take(3))
[{'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=384x512 at 0x7F7479DEE9D0>,
  'label': 6},
 {'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=512x512 at 0x7F7479DE8190>,
  'label': 6},
 {'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=512x383 at 0x7F7479DE8310>,
  'label': 6}]

但与切片不同的是，IterableDataset.take() 创建一个新的 IterableDataset。

后续步骤

对这两种数据集类型的区别感兴趣？在 Dataset 和 IterableDataset 之间的区别的概念指南中了解更多。

要更深入地了解这些数据集类型，请查看处理指南，了解如何预处理 Dataset，或者流式处理指南，了解如何预处理 IterableDataset。

在 GitHub 上更新