Hub 文档
SQL 控制台:在浏览器中查询 Hugging Face 数据集
加入 Hugging Face 社区
并获得增强的文档体验
开始使用
SQL 控制台:在浏览器中查询 Hugging Face 数据集
您可以使用 SQL 控制台在浏览器中对数据集运行 SQL 查询。SQL 控制台由 DuckDB WASM 提供支持,并且完全在浏览器中运行。您可以从 Data Studio 访问 SQL 控制台。


要了解有关 SQL 控制台的更多信息,请参阅 SQL 控制台博客文章。
通过 SQL 控制台,您可以
- 对数据集运行 DuckDB SQL 查询(查看 SQL 代码片段 以获取有用的查询)
- 通过链接与他人分享查询结果(查看 此示例)
- 将查询结果下载到 Parquet 或 CSV 文件
- 使用 iframe 将查询结果嵌入到您自己的网页中
- 使用自然语言查询数据集
您还可以通过 CLI 在本地使用 DuckDB,通过 `hf://` 协议查询数据集。有关更多信息,请参阅 DuckDB 数据集文档。SQL 控制台提供了一个方便的“复制到 DuckDB CLI”按钮,该按钮生成用于在 DuckDB CLI 中创建视图和执行查询的 SQL 查询。
示例
筛选
SQL 控制台使数据集的筛选变得非常容易。例如,如果您想筛选 SkunkworksAI/reasoning-0.01
数据集中推理长度至少为 10 的指令和响应,则可以使用以下查询


以下是按推理长度排序的 SQL
SELECT *
FROM train
WHERE LENGTH(reasoning_chains) > 10;
直方图
许多数据集作者选择在数据集中包含有关数据分布的统计信息。使用 DuckDB 的 histogram
函数,我们可以绘制列值的直方图。
例如,要绘制 Lichess/chess-puzzles 数据集中 Rating
列的直方图,您可以使用以下查询


在此处了解有关 `histogram` 函数和参数的更多信息:此处。
from histogram(train, Rating)
正则表达式匹配
DuckDB 最强大的功能之一是对正则表达式的深度支持。您可以使用 regexp
函数来匹配数据中的模式。
使用 regexp_matches 函数,我们可以筛选 GeneralReasoning/GeneralThought-195k 数据集中包含 Markdown 代码块的指令。


在此处了解有关 DuckDB 正则表达式函数的更多信息:此处。
SELECT *
FROM train
WHERE regexp_matches(model_answer, '```')
LIMIT 10;
泄露检测
泄露检测是识别数据集中的数据是否出现在多个拆分中的过程,例如,测试集是否出现在训练集中。


在此处了解有关泄露检测的更多信息:此处。
WITH
overlapping_rows AS (
SELECT COALESCE(
(SELECT COUNT(*) AS overlap_count
FROM train
INTERSECT
SELECT COUNT(*) AS overlap_count
FROM test),
0
) AS overlap_count
),
total_unique_rows AS (
SELECT COUNT(*) AS total_count
FROM (
SELECT * FROM train
UNION
SELECT * FROM test
) combined
)
SELECT
overlap_count,
total_count,
CASE
WHEN total_count > 0 THEN (overlap_count * 100.0 / total_count)
ELSE 0
END AS overlap_percentage
FROM overlapping_rows, total_unique_rows;