生成器类
生成器
🤗 Datasets在数据集构建过程中依赖于两个主要类:DatasetBuilder和BuilderConfig。
class datasets.DatasetBuilder
< 源 >( cache_dir: 可选 = None dataset_name: 可选 = None config_name: 可选 = None hash: 可选 = None base_path: 可选 = None info: 可选 = None features: 可选 = None token: 联合 = None use_auth_token = '已弃用' repo_id: 可选 = None data_files: 联合 = None data_dir: 可选 = None storage_options: 可选 = None writer_batch_size: 可选 = None name = '已弃用' **config_kwargs )
参数
- cache_dir (
str
, 可选) — 数据缓存目录。默认为"~/.cache/huggingface/datasets"
。 - dataset_name (
str
, 可选) — 数据集名称,如果与构建器名称不同。对于像 csv, imagefolder, audiofolder 等包装后的构建器很有用,可以反映使用相同包装构建器的不同数据集之间的区别。 - config_name (
str
, 可选) — 数据集配置名称。它会影响磁盘上生成的数据。不同的配置将具有自己的子目录和版本。如果没有提供,则使用默认配置(如果存在)。自 2.3.0 版本添加
参数
name
已重命名为config_name
。 - hash(《字符串》,可选)— 专门针对数据集代码的哈希。当更新数据集加载脚本的代码时(以避免重新使用旧数据)用来说明更新缓存目录。典型的缓存目录(由
self._relative_data_dir
定义)是name/version/hash/
。 - base_path(《字符串》,可选)— 用于下载文件的相对路径的基础路径。这可以是远程 URL。
- features(《特点》类,可选)— 与此数据集一起使用的特点类型。可以用于更改数据集的 “特点” 类型,例如。
- token (
str
或bool
,可选) — 用作数据集中心远程文件 Bearer 令牌的字符串或布尔值。如果值为True
,将从"~/.huggingface"
获取令牌。 - repo_id (
str
,可选) — 数据集存储库的 ID。用于区分具有相同名称但不属于同一命名空间的构建器,例如“squad”和“lhoestq/squad”存储库 ID。在后者的例子中,构建器名称将是“lhoestq___squad”。 - data_files (
str
或Sequence
或Mapping
,可选) — 源数据文件(的)路径。对于需要用户指定数据文件的“csv”或“json”等构建器。可以是本地文件或远程文件。为了方便起见,您可以使用DataFilesDict
。 - data_dir (
str
, 可选) — 包含源数据文件(夹)的路径。只有在未传入data_files
时才使用,在这种情况下,它与传入os.path.join(data_dir, "**")
作为data_files
相同。对于需要手动下载的构建器,必须是指向包含手动下载数据的本地文件夹的路径。 - storage_options (
dict
, 可选) — 如果有的话,将传递给数据集文件系统后端的关键/值对。 - writer_batch_size (
int
, 可选) — ArrowWriter使用的批次大小。这定义了在写入之前在内存中保留的样本数量,以及arrow块的长度。None表示ArrowWriter将使用其默认值。 - name (
str
) — 数据集的配置名称。自 2.3.0 版本开始已弃用
使用
config_name
代替。 -
**config_kwargs (额外的关键字参数) — 要传递给相应构建配置类的关键字参数,设置在类属性DatasetBuilder.BUILDER_CONFIG_CLASS上。构建配置类是BuilderConfig或其子类。
所有数据集的抽象基类。
DatasetBuilder
拥有3个关键方法
DatasetBuilder.info
:记录数据集,包括特征名称、类型、形状、版本、分割、引用等。- DatasetBuilder.download_and_prepare():下载源数据并将其写入磁盘。
- DatasetBuilder.as_dataset():生成Dataset。
某些 DatasetBuilder
通过定义一个 BuilderConfig 子类并接受在构造时传递的配置对象(或名称),以暴露数据集的多个版本。可配置的数据集在 DatasetBuilder.builder_configs()
中暴露一个预定义的配置集。
as_dataset
< source >( split: 可选 = None run_post_process = True verification_mode: 联合 = None ignore_verifications = '已弃用' in_memory = False )
参数
- split (
datasets.Split
) — 返回数据集的哪个子集。{// HTML_TAG_END --> - run_post_process (
bool
, 默认为True
) — 是否运行后处理数据集转换和/或添加索引。{// HTML_TAG_END --> - verification_mode (VerificationMode 或
str
, 默认为BASIC_CHECKS
) — 用于确定在下载/处理的数据集中要运行哪些检查的验证模式(校验和/大小/分割/……)。添加于 2.9.1
- ignore_verifications (
bool
, 默认为False
) — 是否忽略下载/处理的集合信息的验证(校验和/大小/分割等)。自2.9.1版本已弃用
ignore_verifications
已在版本2.9.1中被弃用,并将从3.0.0版本中移除。请使用verification_mode
代替。 - in_memory (
bool
, 默认为False
) — 是否将数据复制到内存中。自2.9.1版本已弃用
in_memory
已在版本2.9.1中被弃用,并将从3.0.0版本中移除。请使用verification_mode
代替。
返回指定分割的Dataset。
download_and_prepare
< source >( output_dir: 可选 = None download_config: 可选 = None download_mode: 并联 = None verification_mode: 并联 = None ignore_verifications = '已弃用' try_from_hf_gcs = '已弃用' dl_manager: 可选 = None base_path: 可选 = None use_auth_token = '已弃用' file_format: str = 'arrow' max_shard_size: 并联 = None num_proc: 可选 = None storage_options: 可选 = None **download_and_prepare_kwargs )
参数
- output_dir (
str
, 可选) — 数据集的输出目录。默认为此构建器的cache_dir
,默认位于~/.cache/huggingface/datasets
内。2.5.0 中添加
- download_config (
DownloadConfig
, 可选) — 特定的下载配置参数。 - download_mode (DownloadMode 或
str
, 可选) — 选择下载/生成模式,默认为REUSE_DATASET_IF_EXISTS
。 - verification_mode (VerificationMode 或
str
, 默认为BASIC_CHECKS
) — 确定要对已下载/处理的数据集信息(校验和/大小/拆分/…)运行的验证模式。自2.9.1版本新增
- ignore_verifications (
bool
, 默认为False
) — 忽略下载/处理的数据集信息(校验和/大小/拆分/……)的验证。弃用于 2.9.1
ignore_verifications
在 2.9.1 版本中弃用,并将从 3.0.0 中删除。请使用verification_mode
代替。 - try_from_hf_gcs (
bool
) — 如果为True
,将尝试从 HF Google 云存储中下载已准备好的数据集。弃用于 2.16.0
try_from_hf_gcs
在 2.16.0 版本中弃用,并将从 3.0.0 中删除。请在 Hugging Face Hub 上托管处理后的文件。 - dl_manager (
DownloadManager
, 可选) — 要使用的特定的DownloadManger
。
HTML_TAG_END --> - base_path (
str
, 可选) — 下载文件时使用的相对路径的基础路径。这可以是一个远程url。如果没有指定,将使用base_path
属性的值 (self.base_path
) 。 - use_auth_token (
Union[str, bool]
, 可选) — 在数据集Hub上的远程文件中用作Bearer token的可选字符串或布尔值。如果为True或未指定,将从此处获取token:~/.huggingface。 - file_format (
str
, 可选) — 将数据集写入的数据文件格式。支持的格式如下:“arrow”,“parquet”。默认为“arrow”格式。如果格式为“parquet”,则图像和音频数据将嵌入Parquet文件中,而不是指向本地文件。自2.5.0版添加
- max_shard_size (
Union[str, int]
, 可选) — 每个片段写入的最大字节数,默认为“500MB”。此大小基于未压缩数据大小,因此在实践中,由于Parquet压缩等因素,您的片段文件可能小于max_shard_size
。新增于 2.5.0
- num_proc (
int
, 可选, 默认为None
) — 在本地下载并生成数据集时所使用的进程数。默认情况下禁用多进程。新增于 2.7.0
- storage_options (
dict
, 可选) — 如果有缓存文件系统后端,则传递给 Key/Value 对的键值对。新增于 2.5.0
下载并准备数据集以便读取。
示例
将数据集作为 Arrow 文件下载和准备,可以使用 builder.as_dataset()
加载为数据集。
>>> from datasets import load_dataset_builder
>>> builder = load_dataset_builder("rotten_tomatoes")
>>> builder.download_and_prepare()
本地将数据集作为分片 Parquet 文件下载和准备
>>> from datasets import load_dataset_builder
>>> builder = load_dataset_builder("rotten_tomatoes")
>>> builder.download_and_prepare("./output_dir", file_format="parquet")
在云端存储中将数据集作为分片 Parquet 文件下载和准备
>>> from datasets import load_dataset_builder
>>> storage_options = {"key": aws_access_key_id, "secret": aws_secret_access_key}
>>> builder = load_dataset_builder("rotten_tomatoes")
>>> builder.download_and_prepare("s3://my-bucket/my_rotten_tomatoes", storage_options=storage_options, file_format="parquet")
get_all_exported_dataset_infos
( )
如果不存在,则为空字典。
示例
>>> from datasets import load_dataset_builder
>>> ds_builder = load_dataset_builder('rotten_tomatoes')
>>> ds_builder.get_all_exported_dataset_infos()
{'default': DatasetInfo(description="Movie Review Dataset.
a dataset of containing 5,331 positive and 5,331 negative processed
s from Rotten Tomatoes movie reviews. This data was first used in Bo
Lillian Lee, ``Seeing stars: Exploiting class relationships for
t categorization with respect to rating scales.'', Proceedings of the
5.
ion='@InProceedings{Pang+Lee:05a,
= {Bo Pang and Lillian Lee},
= {Seeing stars: Exploiting class relationships for sentiment
categorization with respect to rating scales},
tle = {Proceedings of the ACL},
2005
age='http://www.cs.cornell.edu/people/pabo/movie-review-data/', license='', features={'text': Value(dtype='string', id=None), 'label': ClassLabel(num_classes=2, names=['neg', 'pos'], id=None)}, post_processed=None, supervised_keys=SupervisedKeysData(input='', output=''), task_templates=[TextClassification(task='text-classification', text_column='text', label_column='label')], builder_name='rotten_tomatoes_movie_review', config_name='default', version=1.0.0, splits={'train': SplitInfo(name='train', num_bytes=1074810, num_examples=8530, dataset_name='rotten_tomatoes_movie_review'), 'validation': SplitInfo(name='validation', num_bytes=134679, num_examples=1066, dataset_name='rotten_tomatoes_movie_review'), 'test': SplitInfo(name='test', num_bytes=135972, num_examples=1066, dataset_name='rotten_tomatoes_movie_review')}, download_checksums={'https://storage.googleapis.com/seldon-datasets/sentence_polarity_v1/rt-polaritydata.tar.gz': {'num_bytes': 487770, 'checksum': 'a05befe52aafda71d458d188a1c54506a998b1308613ba76bbda2e5029409ce9'}}, download_size=487770, post_processing_size=None, dataset_size=1345461, size_in_bytes=1833231)}
get_exported_dataset_info
( )
如果不存在,则为空的 DatasetInfo
。
示例
>>> from datasets import load_dataset_builder
>>> ds_builder = load_dataset_builder('rotten_tomatoes')
>>> ds_builder.get_exported_dataset_info()
DatasetInfo(description="Movie Review Dataset.
a dataset of containing 5,331 positive and 5,331 negative processed
s from Rotten Tomatoes movie reviews. This data was first used in Bo
Lillian Lee, ``Seeing stars: Exploiting class relationships for
t categorization with respect to rating scales.'', Proceedings of the
5.
ion='@InProceedings{Pang+Lee:05a,
= {Bo Pang and Lillian Lee},
= {Seeing stars: Exploiting class relationships for sentiment
categorization with respect to rating scales},
tle = {Proceedings of the ACL},
2005
age='http://www.cs.cornell.edu/people/pabo/movie-review-data/', license='', features={'text': Value(dtype='string', id=None), 'label': ClassLabel(num_classes=2, names=['neg', 'pos'], id=None)}, post_processed=None, supervised_keys=SupervisedKeysData(input='', output=''), task_templates=[TextClassification(task='text-classification', text_column='text', label_column='label')], builder_name='rotten_tomatoes_movie_review', config_name='default', version=1.0.0, splits={'train': SplitInfo(name='train', num_bytes=1074810, num_examples=8530, dataset_name='rotten_tomatoes_movie_review'), 'validation': SplitInfo(name='validation', num_bytes=134679, num_examples=1066, dataset_name='rotten_tomatoes_movie_review'), 'test': SplitInfo(name='test', num_bytes=135972, num_examples=1066, dataset_name='rotten_tomatoes_movie_review')}, download_checksums={'https://storage.googleapis.com/seldon-datasets/sentence_polarity_v1/rt-polaritydata.tar.gz': {'num_bytes': 487770, 'checksum': 'a05befe52aafda71d458d188a1c54506a998b1308613ba76bbda2e5029409ce9'}}, download_size=487770, post_processing_size=None, dataset_size=1345461, size_in_bytes=1833231)
返回此类或其子类的模块路径。
类 datasets.GeneratorBasedBuilder
< 源代码 >( cache_dir: 可选 = None dataset_name: 可选 = None config_name: 可选 = None hash: 可选 = None base_path: 可选 = None info: 可选 = None features: 可选 = None token: 合并 = None use_auth_token = '过时' repo_id: 可选 = None data_files: 合并 = None data_dir: 可选 = None storage_options: 可选 = None writer_batch_size: 可选 = None name = '过时' **config_kwargs )
基于dict生成器数据生成的数据集的基类。
GeneratorBasedBuilder
是一个方便的类,它抽象了大部分 DatasetBuilder
的数据写入和读取。它期望子类实现数据集分割<>_split_generators
的字典生成器。详情请参阅方法文档串。
基于Beam的构建器。
类 datasets.ArrowBasedBuilder
< source >( cache_dir: 可选 = None dataset_name: 可选 = None config_name: 可选 = None hash: 可选 = None base_path: 可选 = None info: 可选 = None features: 可选 = None token: 合并 = None use_auth_token = '过时' repo_id: 可选 = None data_files: 合并 = None data_dir: 可选 = None storage_options: 可选 = None writer_batch_size: 可选 = None name = '过时' **config_kwargs )
基于Arrow加载函数(CSV/JSON/Parquet)数据生成的数据集基类。
类 datasets.BuilderConfig
< source >( name: str = 'default' version: Union = 0.0.0 data_dir: Optional = None data_files: Union = None description: Optional = None )
DatasetBuilder
数据配置的基类。
具有数据配置选项的 DatasetBuilder
子类应该扩展 BuilderConfig
并添加它们自己的属性。
配置ID用于构建缓存目录。默认情况下,它等于配置名称。但是,配置的名称不足以成为所生成数据集的唯一标识符,因为它不考虑
- 可用于覆盖属性的配置kwargs
- 用于写入数据集的自定义特征
- json/text/csv/pandas数据集的数据文件
因此,配置ID只是配置名称,加上基于这些的可选后缀。
下载
class datasets.DownloadManager
< 来源 >( dataset_name: 可选 = None data_dir: 可选 = None download_config: 可选 = None base_path: 可选 = None record_checksums = True )
下载
< 来源 >( url_or_urls ) → str
或 list
或 dict
下载给定的 URL。
默认情况下,只使用一个进程进行下载。通过传递定制的 download_config.num_proc
来更改此行为。
download_and_extract
< source >( ) → extracted_path(s)
下载并解压给定的 url_or_urls
。
download_custom
< source >( url_or_urls custom_download ) → downloaded_path(s)
通过调用 custom_download
下载指定的 URL。
extract
参数
返回
extracted_path(s)
提取指定路径。
iter_archive
参数
生成器
tuple[str, io.BufferedReader]
遍历归档中的文件。
遍历文件路径。
ship_files_with_pipeline
< source >( downloaded_path_or_paths pipeline )
使用Beam FileSystems将文件传输到管道临时目录。
class datasets.StreamingDownloadManager
< source >( dataset_name: Optional = None data_dir: Optional = None download_config: Optional = None base_path: Optional = None )
使用”::”分隔符导航(可能远程)压缩存档的下载管理器。与常规 DownloadManager
不同,download
和 extract
方法实际上并不下载或提取数据,而是返回可用 xopen
函数打开的路径或 URL,该函数扩展了内置 open
函数以从远程文件流式传输数据。
下载
< 源代码 >( url_or_urls ) → url(s)
正常化要流式传输数据的文件的 URL(s)。这是 DownloadManager.download
的懒加载版本,用于流式传输。
download_and_extract
< 源代码 >( url_or_urls ) → url(s)
准备给定的 url_or_urls
以进行流式传输(添加提取协议)。
这是 DownloadManager.download_and_extract
的流式传输懒惰版本。
extract
< source >( url_or_urls ) → url(s)
为给定的URL添加提取协议以进行流式传输。
这是 DownloadManager.extract
的流式传输懒惰版本。
iter_archive
< source >( urlpath_or_buf: 联合 ) → tuple[str, io.BufferedReader]
遍历归档中的文件。
迭代文件。
类 datasets.DownloadConfig
< 源 >( cache_dir: 联合 = None force_download: bool = False resume_download: bool = False local_files_only: bool = False proxies: Optional = None user_agent: Optional = None extract_compressed_file: bool = False force_extract: bool = False delete_extracted: bool = False extract_on_the_fly: bool = False use_etag: bool = True num_proc: Optional = None max_retries: int = 1 token: 联合 = None use_auth_token: dataclasses.InitVar[typing.Union[str, bool, NoneType]] = 'deprecated' ignore_url_params: bool = False storage_options: Dict = <factory> download_desc: Optional = None disable_tqdm: bool = False )
参数
- cache_dir (
str
或Path
,可选) — 指定文件保存的缓存目录(覆盖默认缓存目录)。 - force_download (
bool
, 默认为False
) — 如果设置为True
,即使文件已缓存在缓存目录中也将重新下载文件。 - resume_download (
bool
, 默认为False
) — 如果设置为True
,在找到未完全接收的文件时将重新开始下载。 - proxies (
dict
, 可选) — - user_agent (
str
, 可选) — 如果提供,则将作为字符串或字典附加到远程请求的用户代理上。 - extract_compressed_file (
bool
, 默认为False
) — 如果为True
且路径指向 zip 或 tar 文件,则在存档所在的文件夹中提取压缩文件。 - force_extract (
bool
, 默认为False
) — 如果为True
,当extract_compressed_file
为True
且存档已提取时,重新提取存档并覆盖提取的文件夹。 - delete_extracted (
bool
, 默认为False
) — 是否删除(或保留)提取的文件。 - extract_on_the_fly (
bool
, 默认为False
) —— 如果为True
,则在读取文件时提取压缩文件。 - use_etag (
bool
, 默认为True
) —— 是否使用ETag HTTP响应头来验证缓存的文件。 - num_proc (
int
, 可选) —— 启动多少个进程来并行下载文件。 - max_retries (
int
, 默认为1
) —— 如果HTTP请求失败,重试请求的次数。 - token (
str
或bool
,可选) — 作为数据集中心远程文件所用的 Bearer token 的可选字符串或布尔值。如果为True
或未指定,将从~/.huggingface
获取 token。 - use_auth_token (
str
或bool
,可选) — 作为数据集中心远程文件所用的 Bearer token 的可选字符串或布尔值。如果为True
或未指定,将从~/.huggingface
获取 token。已弃用于 2.14.0
use_auth_token
从版本 2.14.0 开始已被弃用,将在 3.0.0 中删除。 - ignore_url_params (
bool
,默认为False
) — 在将其用于文件缓存之前是否从下载 URL 中删除所有查询参数和片段。 - storage_options (
dict
, 可选) — 将传递给数据集文件系统后端(如果有)的键值对。 - download_desc (
str
, 可选) — 在下载文件时将在进度条旁边显示的描述。 - disable_tqdm (
bool
, 默认为False
) — 是否禁用单个文件下载的进度条
缓存的路径管理器的配置。
类 datasets.DownloadMode
< 源代码 >( value names = None module = None qualname = None type = None start = 1 )
枚举
用于处理现有下载和数据的策略。
默认模式是REUSE_DATASET_IF_EXISTS
,如果存在,将重用原始下载和准备好的数据集。
生成模式
下载 | 数据集 | |
---|---|---|
REUSE_DATASET_IF_EXISTS (默认) | 重用 | 重用 |
| 重用 | 更新 |
| 更新 | 更新 |
验证
类 datasets.VerificationMode
< 源代码 >( value names = None module = None qualname = None type = None start = 1 )
Enum
指定要运行哪些验证检查。
默认模式是 BASIC_CHECKS
,它将仅执行基本检查,以避免在生成/下载数据集时第一次产生的减速。
验证模式
验证检查 | |
---|---|
ALL_CHECKS | 分割检查,GeneratorBuilder生成的键的唯一性 |
和下载文件的验证(文件的个数、校验和等) | |
BASIC_CHECKS (默认) | 与 ALL_CHECKS 相同,但不会检查下载的文件 |
NO_CHECKS | 无 |
分割
类 datasets.SplitGenerator
< 源代码 >( name: str gen_kwargs: Dict = <factory> )
定义生成器的拆分信息。
应将其用作 GeneratorBasedBuilder._split_generators
的返回值。有关更多信息和使用示例,请参见 GeneratorBasedBuilder._split_generators
。
枚举
用于数据集拆分。
数据集通常分为不同的子集,用于训练和评估的不同阶段。
TRAIN
:训练数据。VALIDATION
:验证数据。如果存在,通常用于在迭代模型时作为评估数据(例如更改超参数、模型架构等)。TEST
:测试数据。这是报告指标的数据。通常在模型迭代期间不希望使用此数据,以免过拟合。ALL
:所有定义的数据集拆分的并集。
所有拆分,包括组合,继承自 datasets.SplitBase
。
有关拆分的信息,请参阅指南。
示例
>>> datasets.SplitGenerator(
... name=datasets.Split.TRAIN,
... gen_kwargs={"split_key": "train", "files": dl_manager.download_and extract(url)},
... ),
... datasets.SplitGenerator(
... name=datasets.Split.VALIDATION,
... gen_kwargs={"split_key": "validation", "files": dl_manager.download_and extract(url)},
... ),
... datasets.SplitGenerator(
... name=datasets.Split.TEST,
... gen_kwargs={"split_key": "test", "files": dl_manager.download_and extract(url)},
... )
对应于具有名称的分割(训练、测试等)的描述符。
示例
每个描述符都可以通过加法或切片与其他描述符组合
split = datasets.Split.TRAIN.subsplit(datasets.percent[0:25]) + datasets.Split.TEST
生成的分割将对应于25%的训练分割与100%的测试分割合并。
分割不能添加两次,因此以下操作将失败
split = (
datasets.Split.TRAIN.subsplit(datasets.percent[:25]) +
datasets.Split.TRAIN.subsplit(datasets.percent[75:])
) # Error
split = datasets.Split.TEST + datasets.Split.ALL # Error
对应于所有定义的数据集分割的并集的分割。
读取数据集的说明。
示例
# The following lines are equivalent:
ds = datasets.load_dataset('mnist', split='test[:33%]')
ds = datasets.load_dataset('mnist', split=datasets.ReadInstruction.from_spec('test[:33%]'))
ds = datasets.load_dataset('mnist', split=datasets.ReadInstruction('test', to=33, unit='%'))
ds = datasets.load_dataset('mnist', split=datasets.ReadInstruction(
'test', from_=0, to=33, unit='%'))
# The following lines are equivalent:
ds = datasets.load_dataset('mnist', split='test[:33%]+train[1:-1]')
ds = datasets.load_dataset('mnist', split=datasets.ReadInstruction.from_spec(
'test[:33%]+train[1:-1]'))
ds = datasets.load_dataset('mnist', split=(
datasets.ReadInstruction('test', to=33, unit='%') +
datasets.ReadInstruction('train', from_=1, to=-1, unit='abs')))
# The following lines are equivalent:
ds = datasets.load_dataset('mnist', split='test[:33%](pct1_dropremainder)')
ds = datasets.load_dataset('mnist', split=datasets.ReadInstruction.from_spec(
'test[:33%](pct1_dropremainder)'))
ds = datasets.load_dataset('mnist', split=datasets.ReadInstruction(
'test', from_=0, to=33, unit='%', rounding="pct1_dropremainder"))
# 10-fold validation:
tests = datasets.load_dataset(
'mnist',
[datasets.ReadInstruction('train', from_=k, to=k+10, unit='%')
for k in range(0, 100, 10)])
trains = datasets.load_dataset(
'mnist',
[datasets.ReadInstruction('train', to=k, unit='%') + datasets.ReadInstruction('train', from_=k+10, unit='%')
for k in range(0, 100, 10)])
from_spec
< 来源 >( spec )
从字符串规范创建一个ReadInstruction
实例。
示例
test: test split.
test + validation: test split + validation split.
test[10:]: test split, minus its first 10 records.
test[:10%]: first 10% records of test split.
test[:20%](pct1_dropremainder): first 10% records, rounded with the pct1_dropremainder rounding.
test[:-5%]+train[40%:60%]: first 95% of test + middle 20% of train.
数据集版本
类 datasets.Version
< 源代码 >( version_str: str description: 可选 = None major: 联合 = None minor: 联合 = None patch: 联合 = None )
数据集版本 MAJOR.MINOR.PATCH
。