与 Spark 协同使用

本文档简要介绍了如何将 🤗 数据集与 Spark 协同使用，重点介绍了如何将 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

一个 Dataset 对象是 Arrow 表的包装器，它允许从数据集中快速读取数组到 PyTorch、TensorFlow 和 JAX 张量。Arrow 表从磁盘内存映射，这可以加载比可用内存更大的数据集。

你可以使用 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 工作器将数据集写入磁盘上的缓存目录中，作为 Arrow 文件，并且 Dataset 从那里加载。

或者，你可以使用 IterableDataset.from_spark() 跳过物化，它返回一个 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

使用 Dataset.from_spark() 时，生成的 Dataset 被缓存；如果你对同一个 DataFrame 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。

你可以通过将 cache_dir= 传递给 Dataset.from_spark() 来设置缓存位置。确保使用你的工作器和当前机器（驱动程序）都可以访问的磁盘。

在不同的会话中，Spark DataFrame 没有相同的语义哈希，它将重新运行一个 Spark 作业并将其存储在新的缓存中。

特征类型

如果你的数据集由图像、音频数据或 N 维数组组成，你可以在 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>}

你可以查看 Features 文档，了解所有可用的特征类型。

< > 在 GitHub 上更新