了解您的数据集

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，以及内存映射，以便即使加载大型数据集也只需要相对较少的设备内存。但是，对于非常大的数据集（甚至无法完全放入磁盘或内存中），IterableDataset 允许您访问和使用数据集，而无需等待它完全下载！

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

数据集

当您加载数据集切分时，您将获得一个 Dataset 对象。您可以使用 Dataset 对象执行许多操作，因此学习如何操作和交互存储在其中的数据非常重要。

本教程使用 rotten_tomatoes 数据集，但您可以随意加载任何您喜欢的数据集并继续学习！

>>> from datasets import load_dataset

>>> dataset = load_dataset("rotten_tomatoes", split="train")

索引

Dataset 包含数据列，每列可以是不同类型的数据。索引或轴标签用于访问数据集中的示例。例如，按行索引将返回数据集中的示例字典

# 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 - 运算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中所有值的列表

>>> 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 .']

您可以组合行和列名索引以返回特定位置处的特定值

>>> 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 .'

但必须记住，索引顺序很重要，尤其是在处理大型音频和图像数据集时。按列名索引首先返回该列中的所有值，然后加载该位置的值。对于大型数据集，按列名索引可能速度较慢。

>>> 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: 0.0094 seconds

切片

切片返回数据集的切片或子集，这对于一次查看多行很有用。要切片数据集，请使用 : 运算符指定一系列位置。

# 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 .']}

可迭代数据集

当您在 load_dataset() 中将 streaming 参数设置为 True 时，将加载 IterableDataset

>>> from datasets import load_dataset

>>> iterable_dataset = load_dataset("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}

您还可以从现有 Dataset 创建 IterableDataset，但它比流模式更快，因为数据集是从本地文件流式传输的

>>> from datasets import load_dataset

>>> dataset = load_dataset("rotten_tomatoes", split="train")
>>> iterable_dataset = dataset.to_iterable_dataset()

IterableDataset 逐个迭代数据集中的示例，因此您不必等待整个数据集下载才能使用它。可以想象，这对于您希望立即使用的的大型数据集非常有用！

但是，这意味着 IterableDataset 的行为与常规 Dataset 不同。您无法随机访问 IterableDataset 中的示例。相反，您应该遍历其元素，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}

您可以使用 IterableDataset.take() 返回包含特定数量示例的数据集子集

# 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，IterableDataset.take() 会创建一个新的 IterableDataset。

后续步骤

有兴趣了解更多关于这两种数据集之间差异的信息吗？在 Dataset 和 IterableDataset 之间的差异概念指南中了解更多信息。

要更深入地了解这些数据集类型，请查看处理指南以了解如何预处理 Dataset 或流指南以了解如何预处理 IterableDataset。

< > 在 GitHub 上更新