加载表格数据

表格数据集是一种通用数据集，用于描述以行和列存储的任何数据，其中行代表一个示例，列代表一个特征（可以是连续的或分类的）。这些数据集通常存储在 CSV 文件、Pandas DataFrames 和数据库表中。本指南将向你展示如何从以下位置加载和创建表格数据集

CSV 文件
Pandas DataFrames
数据库

CSV 文件

🤗 Datasets 可以通过在 load_dataset() 方法中指定通用的 csv 数据集构建器名称来读取 CSV 文件。要加载多个 CSV 文件，请将它们作为列表传递给 data_files 参数

>>> from datasets import load_dataset
>>> dataset = load_dataset("csv", data_files="my_file.csv")

# load multiple CSV files
>>> dataset = load_dataset("csv", data_files=["my_file_1.csv", "my_file_2.csv", "my_file_3.csv"])

你还可以将特定的 CSV 文件映射到 train 和 test 拆分

>>> dataset = load_dataset("csv", data_files={"train": ["my_train_file_1.csv", "my_train_file_2.csv"], "test": "my_test_file.csv"})

要加载远程 CSV 文件，请传递 URL

>>> base_url = "https://huggingface.co/datasets/lhoestq/demo1/resolve/main/data/"
>>> dataset = load_dataset('csv', data_files={"train": base_url + "train.csv", "test": base_url + "test.csv"})

要加载 zipped CSV 文件

>>> url = "https://domain.org/train_data.zip"
>>> data_files = {"train": url}
>>> dataset = load_dataset("csv", data_files=data_files)

Pandas DataFrames

🤗 Datasets 还支持使用 Pandas DataFrames 和 from_pandas() 方法从 Pandas DataFrames 加载数据集

>>> from datasets import Dataset
>>> import pandas as pd

# create a Pandas DataFrame
>>> df = pd.read_csv("https://huggingface.co/datasets/imodels/credit-card/raw/main/train.csv")
>>> df = pd.DataFrame(df)
# load Dataset from Pandas DataFrame
>>> dataset = Dataset.from_pandas(df)

使用 splits 参数来指定数据集拆分的名称

>>> train_ds = Dataset.from_pandas(train_df, split="train")
>>> test_ds = Dataset.from_pandas(test_df, split="test")

如果数据集看起来与预期不符，你应该显式地指定你的数据集特征。 pandas.Series 可能并不总是携带足够的信息供 Arrow 自动推断数据类型。例如，如果 DataFrame 的长度为 0，或者如果 Series 仅包含 None/NaN 对象，则类型将设置为 null。

数据库

存储在数据库中的数据集通常通过 SQL 查询访问。使用 🤗 Datasets，你可以连接到数据库，查询你需要的数据，并从中创建数据集。然后，你可以使用 🤗 Datasets 的所有处理功能来准备你的数据集以进行训练。

SQLite

SQLite 是一个小型、轻量级的数据库，它快速且易于设置。如果你愿意，可以使用现有数据库，或者按照步骤从头开始。

首先使用来自纽约时报的这份 Covid-19 数据快速创建一个 SQLite 数据库

>>> import sqlite3
>>> import pandas as pd

>>> conn = sqlite3.connect("us_covid_data.db")
>>> df = pd.read_csv("https://raw.githubusercontent.com/nytimes/covid-19-data/master/us-states.csv")
>>> df.to_sql("states", conn, if_exists="replace")

这将在 us_covid_data.db 数据库中创建一个 states 表，你现在可以将其加载到数据集中。

要连接到数据库，你需要标识数据库的 URI 字符串。使用 URI 连接到数据库会缓存返回的数据集。URI 字符串对于每种数据库方言都不同，因此请务必查看你正在使用的任何数据库的数据库 URL。

对于 SQLite，它是

>>> uri = "sqlite:///us_covid_data.db"

通过将表名和 URI 传递给 from_sql() 来加载表

>>> from datasets import Dataset

>>> ds = Dataset.from_sql("states", uri)
>>> ds
Dataset({
    features: ['index', 'date', 'state', 'fips', 'cases', 'deaths'],
    num_rows: 54382
})

然后你可以使用 🤗 Datasets 的所有处理功能，例如 filter()

>>> ds.filter(lambda x: x["state"] == "California")

你还可以从 SQL 查询而不是整个表加载数据集，这对于查询和连接多个表很有用。

通过将你的查询和 URI 传递给 from_sql() 来加载数据集

>>> from datasets import Dataset

>>> ds = Dataset.from_sql('SELECT * FROM states WHERE state="California";', uri)
>>> ds
Dataset({
    features: ['index', 'date', 'state', 'fips', 'cases', 'deaths'],
    num_rows: 1019
})

然后你可以使用 🤗 Datasets 的所有处理功能，例如 filter()

>>> ds.filter(lambda x: x["cases"] > 10000)

PostgreSQL

你还可以连接并从 PostgreSQL 数据库加载数据集，但我们不会在文档中直接演示如何操作，因为该示例仅用于在 notebook 中运行。相反，请查看此 notebook，了解如何在其中安装和设置 PostgreSQL 服务器！

在你设置好 PostgreSQL 数据库后，你可以使用 from_sql() 方法从表或查询加载数据集。

< > 在 GitHub 上更新