加载表格数据

表格数据集是一种通用数据集，用于描述以行和列形式存储的任何数据，其中行表示一个样本，列表示一个特征（可以是连续型或类别型）。这些数据集通常存储在 CSV 文件、Pandas DataFrame 以及数据库表中。本指南将展示如何从以下来源加载和创建表格数据集：

CSV 文件
Pandas 数据框
HDF5 文件
数据库

CSV 文件

🤗 Datasets 可以通过在 load_dataset() 方法中指定通用的 csv 数据集构建器名称来读取 CSV 文件。若要加载多个 CSV 文件，请将它们作为列表传递给 data_files 参数：

>>> from datasets import load_dataset
>>> dataset = load_dataset("csv", data_files="my_file.csv")

# load multiple CSV files
>>> dataset = load_dataset("csv", data_files=["my_file_1.csv", "my_file_2.csv", "my_file_3.csv"])

您也可以将特定的 CSV 文件映射到训练集和测试集：

>>> dataset = load_dataset("csv", data_files={"train": ["my_train_file_1.csv", "my_train_file_2.csv"], "test": "my_test_file.csv"})

要加载远程 CSV 文件，请改为传入 URL：

>>> base_url = "https://huggingface.co/datasets/lhoestq/demo1/resolve/main/data/"
>>> dataset = load_dataset('csv', data_files={"train": base_url + "train.csv", "test": base_url + "test.csv"})

要加载压缩的 CSV 文件：

>>> url = "https://domain.org/train_data.zip"
>>> data_files = {"train": url}
>>> dataset = load_dataset("csv", data_files=data_files)

Pandas 数据框

🤗 Datasets 还支持使用 from_pandas() 方法从 Pandas DataFrames 加载数据集：

>>> from datasets import Dataset
>>> import pandas as pd

# create a Pandas DataFrame
>>> df = pd.read_csv("https://huggingface.co/datasets/imodels/credit-card/raw/main/train.csv")
>>> df = pd.DataFrame(df)
# load Dataset from Pandas DataFrame
>>> dataset = Dataset.from_pandas(df)

使用 splits 参数来指定数据集拆分（split）的名称：

>>> train_ds = Dataset.from_pandas(train_df, split="train")
>>> test_ds = Dataset.from_pandas(test_df, split="test")

如果数据集看起来不符合预期，您应该显式地指定数据集的特征。pandas.Series 并不总是包含足够的信息供 Arrow 自动推断数据类型。例如，如果 DataFrame 的长度为 0，或者 Series 仅包含 None/NaN 对象，则类型会被设置为 null。

HDF5 文件

HDF5 文件常用于在科学计算和机器学习中存储大量数值数据。使用 🤗 Datasets 加载 HDF5 文件与加载 CSV 文件类似：

>>> from datasets import load_dataset
>>> dataset = load_dataset("hdf5", data_files="data.h5")

请注意，HDF5 加载器假定文件具有“表格”结构，即文件中所有数据集在第一维度上具有（相同数量的）行。

数据库

存储在数据库中的数据通常通过 SQL 查询来访问。借助 🤗 Datasets，您可以连接到数据库，查询所需的数据，并据此创建一个数据集。然后，您可以使用 🤗 Datasets 的所有处理功能来为训练准备数据集。

SQLite

SQLite 是一款小巧、轻量级的数据库，速度快且易于配置。您可以使用现有的数据库，也可以按照以下步骤从零开始。

首先，使用来自纽约时报的这份Covid-19 数据快速创建一个 SQLite 数据库：

>>> import sqlite3
>>> import pandas as pd

>>> conn = sqlite3.connect("us_covid_data.db")
>>> df = pd.read_csv("https://raw.githubusercontent.com/nytimes/covid-19-data/master/us-states.csv")
>>> df.to_sql("states", conn, if_exists="replace")

这会在 us_covid_data.db 数据库中创建一个 states 表，现在你可以将其加载到数据集中。

要连接到数据库，您需要用于标识该数据库的 URI 字符串。使用 URI 连接数据库时，返回的数据集会被缓存。不同的数据库方言具有不同的 URI 字符串，因此请务必查阅您所使用的数据库对应的 Database URLs。

对于 SQLite，它是：

>>> uri = "sqlite:///us_covid_data.db"

通过向 from_sql() 传递表名和 URI 来加载表：

>>> from datasets import Dataset

>>> ds = Dataset.from_sql("states", uri)
>>> ds
Dataset({
    features: ['index', 'date', 'state', 'fips', 'cases', 'deaths'],
    num_rows: 54382
})

然后，您可以使用 🤗 Datasets 的所有处理功能，例如 filter()：

>>> ds.filter(lambda x: x["state"] == "California")

您也可以从 SQL 查询而非整个表中加载数据集，这在查询和连接多个表时非常有用。

通过向 from_sql() 传入查询和 URI 来加载数据集：

>>> from datasets import Dataset

>>> ds = Dataset.from_sql('SELECT * FROM states WHERE state="California";', uri)
>>> ds
Dataset({
    features: ['index', 'date', 'state', 'fips', 'cases', 'deaths'],
    num_rows: 1019
})

然后，您可以使用 🤗 Datasets 的所有处理功能，例如 filter()：

>>> ds.filter(lambda x: x["cases"] > 10000)

PostgreSQL

您也可以从 PostgreSQL 数据库连接并加载数据集，但由于该示例仅适用于在 notebook 中运行，因此我们不会在文档中直接演示具体方法。请查看此 notebook 了解如何安装和配置 PostgreSQL 服务器！

设置好 PostgreSQL 数据库后，您可以使用 from_sql() 方法从表或查询中加载数据集。

Update on GitHub