与 Spark 一起使用

本文档快速介绍了如何将 🤗 Datasets 与 Spark 结合使用，特别关注如何将 Spark DataFrame 加载到 Dataset 对象中。

从那里，您可以快速访问任何元素，并将其用作数据加载器来训练模型。

从 Spark 加载

Dataset 对象是 Arrow 表的包装器，它允许从数据集中的数组快速读取到 PyTorch、TensorFlow 和 JAX 张量。Arrow 表是从磁盘内存映射的，可以加载比可用 RAM 更大的数据集。

您可以使用 Dataset.from_spark() 从 Spark DataFrame 获取 Dataset

>>> from datasets import Dataset
>>> df = spark.createDataFrame(
...     data=[[1, "Elia"], [2, "Teo"], [3, "Fang"]],
...     columns=["id", "name"],
... )
>>> ds = Dataset.from_spark(df)

Spark worker 将数据集作为 Arrow 文件写入磁盘上的缓存目录中，然后从那里加载 Dataset。

或者，您可以跳过物化，使用 IterableDataset.from_spark()，它会返回一个 IterableDataset

>>> from datasets import IterableDataset
>>> df = spark.createDataFrame(
...     data=[[1, "Elia"], [2, "Teo"], [3, "Fang"]],
...     columns=["id", "name"],
... )
>>> ds = IterableDataset.from_spark(df)
>>> print(next(iter(ds)))
{"id": 1, "name": "Elia"}

缓存

当使用 Dataset.from_spark() 时，生成的 Dataset 会被缓存；如果您在同一个 DataFrame 上多次调用 Dataset.from_spark()，它不会重新运行将数据集作为 Arrow 文件写入磁盘的 Spark 作业。

您可以通过将 cache_dir= 传递给 Dataset.from_spark() 来设置缓存位置。请确保使用您的 worker 和当前机器（驱动程序）都可以访问的磁盘。

在不同的会话中，Spark DataFrame 不具有相同的语义哈希，它将重新运行 Spark 作业并将其存储在新缓存中。

特性类型

如果您的数据集由图像、音频数据或 N 维数组组成，您可以在 Dataset.from_spark() (或 IterableDataset.from_spark()) 中指定 features= 参数

>>> from datasets import Dataset, Features, Image, Value
>>> data = [(0, open("image.png", "rb").read())]
>>> df = spark.createDataFrame(data, "idx: int, image: binary")
>>> # Also works if you have arrays
>>> # data = [(0, np.zeros(shape=(32, 32, 3), dtype=np.int32).tolist())]
>>> # df = spark.createDataFrame(data, "idx: int, image: array<array<array<int>>>")
>>> features = Features({"idx": Value("int64"), "image": Image()})
>>> dataset = Dataset.from_spark(df, features=features)
>>> dataset[0]
{'idx': 0, 'image': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=32x32>}

您可以查看 Features 文档以了解所有可用的特性类型。

< > 在 GitHub 上更新