Datasets documentation
テキストデータの読み込み
テキストデータの読み込み
このガイドでは、テキストデータセットの読み込み方法を示します。あらゆる種類のデータセットの読み込み方法については、一般的な読み込みガイドを参照してください。
テキストファイルは、データセットを保存するための最も一般的なファイル形式の一つです。デフォルトでは、🤗 Datasets はテキストファイルを1行ずつサンプリングしてデータセットを構築します。
>>> from datasets import load_dataset
>>> dataset = load_dataset("text", data_files={"train": ["my_text_1.txt", "my_text_2.txt"], "test": "my_test_file.txt"})
# Load from a directory
>>> dataset = load_dataset("text", data_dir="path/to/text/dataset")段落単位、あるいは文書全体でテキストファイルをサンプリングするには、sample_byパラメータを使用します。
# Sample by paragraph
>>> dataset = load_dataset("text", data_files={"train": "my_train_file.txt", "test": "my_test_file.txt"}, sample_by="paragraph")
# Sample by document
>>> dataset = load_dataset("text", data_files={"train": "my_train_file.txt", "test": "my_test_file.txt"}, sample_by="document")grepパターンを使用して特定のファイルを読み込むこともできます:
>>> from datasets import load_dataset
>>> c4_subset = load_dataset("allenai/c4", data_files="en/c4-train.0000*-of-01024.json.gz")HTTP経由でリモートのテキストファイルを読み込むには、代わりにURLを渡します:
>>> dataset = load_dataset("text", data_files="https://huggingface.co/datasets/hf-internal-testing/dataset_with_data_files/resolve/main/data/train.txt")To load XML data you can use the “xml” loader, which is equivalent to “text” with sample_by=“document”:
>>> from datasets import load_dataset
>>> dataset = load_dataset("xml", data_files={"train": ["my_xml_1.xml", "my_xml_2.xml"], "test": "my_xml_file.xml"})
# Load from a directory
>>> dataset = load_dataset("xml", data_dir="path/to/xml/dataset")