datasets库一些基本方法：filter、map、select等

使用 datasets库，对数据集进行处理可以更方便与高效；

常用的csv、excel 和 json 等数据格式，可以很方便的转换为datasets的样式；

官方文档：🤗 Datasets is a library for easily accessing and sharing datasets for Audio, Computer Vision, and Natural Language Processing (NLP) tasks. https://huggingface.co/docs/datasets/v2.21.0/en/process#select-and-filter

左侧有很多文章列表，右侧是Process文章的目录，该目录有很多的不错的内容。
有很多内容本博客没有提及，推荐读者阅读原始文档。

安装

pip install datasets

导入 huggingface 数据集

from datasets import load_dataset

ds = load_dataset("fancyzhx/ag_news")

由于huggingface的服务器在海外，一般都连接不上。如果连接不上，使用代理进行连接。先运行下述代理设置，再运行上述的数据集导入：

import os
os.environ['HTTP_PROXY'] = 'http://127.0.0.1:7890'
os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:7890'

ds的features：

ds["train"].features

输出结果:

{'text': Value(dtype='string', id=None),
 'label': ClassLabel(names=['World', 'Sports', 'Business', 'Sci/Tech'], id=None)}

fancyzhx/ag_news 是一个文本分类数据集，有['World', 'Sports', 'Business', 'Sci/Tech'] 四个类别。

ds

输出结果:

DatasetDict({
    train: Dataset({
        features: ['text', 'label'],
        num_rows: 120000
    })
    test: Dataset({
        features: ['text', 'label'],
        num_rows: 7600
    })
})

ds["test"][0]

输出结果:

{'text': "Fears for T N pension after talks Unions representing workers at Turner   Newall say they are 'disappointed' after talks with stricken parent firm Federal Mogul.",
 'label': 2}

filter

datasets的数据集对象有filter方法，实现对数据集元素进行筛选。
比如，想筛选出在训练集中，label 全为2的数据。

tmp = ds["train"].filter(lambda x: x["label"] == 2)
print(tmp)
print(tmp[0])

输出结果：

Filter: 100%|██████████| 120000/120000 [00:00<00:00, 453257.78 examples/s]
Dataset({
    features: ['text', 'label'],
    num_rows: 30000
})
{'text': "Wall St. Bears Claw Back Into the Black (Reuters) Reuters - Short-sellers, Wall Street's dwindling\\band of ultra-cynics, are seeing green again.", 'label': 2}

如上述的输出结果所示，在训练集中label为2的数据有30000条。最后一行是筛选出的一个示例。

map

数据集转换，原始的数据集通常可能不满足需求，要对其进行一些转化。
要让大模型对文本进行分类，需要给样例数据中添加一些提示词。

下述是大模型给文本分类的提示词：

prompt_cls = """你是文本分类领域的专家，请你给下述文本分类，把它分到下述类别中：
* World
* Sports
* Business
* Science / Technology'

text是待分类的文本，label是文本的类别：
text: {text}
label: 
"""

想把原始的数据集中的text，自动放入到{text}中，实现代码如下：

def trans2llm(item):
    item["text"] = prompt_cls.format(text=item["text"])
    return item

tmp = ds["test"].map(trans2llm)
print(tmp[0])

输出结果：

Map: 100%|██████████| 7600/7600 [00:00<00:00, 57726.64 examples/s]
{'text': "你是文本分类领域的专家，请你给下述文本分类，把它分到下述类别中：\n* World\n* Sports\n* Business\n* Science / Technology'\n\ntext是待分类的文本，label是文本的类别：\ntext: Fears for T N pension after talks Unions representing workers at Turner   Newall say they are 'disappointed' after talks with stricken parent firm Federal Mogul.\nlabel: \n", 'label': 2}

如上述结果所示，使用map完成了数据集的转换。
map需要传入一个数据处理的函数，本例子中的函数是：trans2llm。
trans2llm接收的参数是原始数据集的item，返回的结果是一个新的item。

select

数据集采样，随机采样、下标采样等；
有时候，可能只想要数据集的随机一部分样本、某些下标的样本。

因为使用filter不能筛选下标

ds["train"].select([0, 10, 20, 30, 40, 50])

输出结果：

Dataset({
    features: ['text', 'label'],
    num_rows: 6
})

如果我们要在数据集中，随机采样，只需要传入随机的下标就可以：

import random  
numbers = list(range(1000))
# 从这个列表中随机选择100个不重复的数  
random_numbers = random.sample(numbers, 100)
# 打印生成的随机数列表  
print(random_numbers)
# 通过长度验证是否有重复元素
print(len(set(random_numbers)) == len(random_numbers))

获取随机采样的样本数据：

ds["train"].select(random_numbers)

输出结果：

Dataset({
    features: ['text', 'label'],
    num_rows: 100
})