# فئات الجداول

يعتمد كل كائن `Dataset` على جدول PyArrow. يمكن تحميل الجدول من القرص (بإسناد الذاكرة) أو في الذاكرة. تتوفر عدة أنواع من الجداول، وكلها ترث من [table.Table](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table).

## جدول[[datasets.table.Table]]

#### datasets.table.Table[[datasets.table.Table]]

```python
datasets.table.Table(table: Table)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L210)

يغلّف جدول pyarrow باستخدام التركيب. هذه هي الفئة الأساسية لـ `InMemoryTable` و`MemoryMappedTable` و`ConcatenationTable`.

يُنفّذ جميع الخصائص/الدوال الأساسية لفئة pyarrow Table باستثناء تحويلات الجدول: `slice, filter, flatten, combine_chunks, cast, add_column, append_column, remove_column, set_column, rename_columns` و`drop`.

تختلف طريقة تنفيذ هذه الأساليب في الفئات الفرعية.

#### التحقق[[datasets.table.Table.validate]]

```python
validate(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L235)

**المعاملات:**

full (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم تنفيذ الفحوصات المكلفة، وإلا تُنفَّذ الفحوصات الرخيصة فقط.

**يرفع:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- إذا فشلت عملية التحقق

أداء فحوصات التحقق. يتم رفع استثناء إذا فشل التحقق.

بشكل افتراضي، تُنفَّذ فحوصات التحقق الرخيصة فقط. مرّر `full=True` لإجراء فحوصات تحقق شاملة (قد تكون `O(n)`).

#### يساوي[[datasets.table.Table.equals]]

```python
equals(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L251)

**المعاملات:**

other ([جدول](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)) : الجدول الذي تتم المقارنة ضده.

check_metadata `bool`، القيمة الافتراضية `False`) : ما إذا كان يجب التحقق من تساوي بيانات وصفية المخطط (schema metadata) أيضًا.

**يعيد:** `bool`

تحقق مما إذا كانت محتويات جدولين متساويتين.

#### to_batches[[datasets.table.Table.to_batches]]

```python
to_batches(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L268)

**المعاملات:**

max_chunksize (`int`، القيمة الافتراضية `None`) : الحد الأقصى لحجم مقاطع `RecordBatch`. قد تكون المقاطع الفردية أصغر اعتمادًا على تخطيط المقاطع للأعمدة الفردية.

**يعيد:**

`List[pyarrow.RecordBatch]`

تحويل الجدول إلى قائمة من كائنات `RecordBatch` (متجاورة).

#### to_pydict[[datasets.table.Table.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L282)

**يعيد:** `dict`

تحويل الجدول إلى `dict` أو `OrderedDict`.

#### to_pandas[[datasets.table.Table.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L300)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : ذاكرة Arrow MemoryPool المستخدمة للتخصيصات. يتم استخدام مجموعة الذاكرة الافتراضية إذا لم يتم تمريرها.

strings_to_categorical (`bool`، القيمة الافتراضية `False`) : ترميز أنواع النصوص (UTF8) والثنائية إلى `pandas.Categorical`.

categories (`list`، الافتراضي `empty`) : قائمة الحقول التي يجب إرجاعها على شكل `pandas.Categorical`. ينطبق فقط على هياكل البيانات المشابهة للجداول.

zero_copy_only (`bool`، القيمة الافتراضية `False`) : يرمي `ArrowException` إذا كان استدعاء هذه الدالة سيتطلب نسخ البيانات الأساسية.

integer_object_nulls (`bool`، القيمة الافتراضية `False`) : تحويل الأعداد الصحيحة التي تحتوي على قيم فارغة إلى كائنات.

date_as_object (`bool`، القيمة الافتراضية `True`) : تحويل التواريخ إلى كائنات. إذا كانت `False`، يتم التحويل إلى نوع `datetime64[ns]`.

timestamp_as_object (`bool`، القيمة الافتراضية `False`) : تحويل الطوابع الزمنية غير النانوثانية (`np.datetime64`) إلى كائنات. يكون هذا مفيدًا إذا كانت لديك طوابع زمنية لا تتناسب مع النطاق التاريخي العادي لطوابع النانوثانية (1678 م - 2262 م). إذا كانت القيمة `False`، يتم تحويل جميع الطوابع الزمنية إلى نوع البيانات `datetime64[ns]`.

use_threads (`bool`، القيمة الافتراضية `True`) : ما إذا كان سيتم موازاة التحويل باستخدام عدة خيوط.

deduplicate_objects (`bool`، القيمة الافتراضية `False`) : لا تُنشئ نسخًا متعددة من كائنات Python عند الإنشاء، لتوفير استهلاك الذاكرة. ستكون عملية التحويل أبطأ.

ignore_metadata (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، فلا تُستخدم بيانات pandas الوصفية لإعادة بناء فهرس DataFrame، إن وُجد.

safe (`bool`، القيمة الافتراضية `True`) : بالنسبة لأنواع بيانات معينة، يلزم إجراء تحويل (cast) لتخزين البيانات في إطار بيانات pandas أو سلسلة Series (على سبيل المثال، تُخزَّن الطوابع الزمنية دائمًا بالنانو ثانية في pandas). يتحكم هذا الخيار في ما إذا كان التحويل آمنًا أم لا.

split_blocks (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم إنشاء كتلة داخلية واحدة لكل عمود عند إنشاء pandas.DataFrame من `RecordBatch` أو `Table`. على الرغم من أن هذا قد يقلل مؤقتًا من استهلاك الذاكرة، إلا أن ملاحظة أن عمليات pandas المختلفة قد تُطلق عملية "توحيد" (consolidation) التي قد تُفاقم استخدام الذاكرة.

self_destruct (`bool`، القيمة الافتراضية `False`) : تجريبي: إذا كانت `True`، فسيتم محاولة إلغاء تخصيص ذاكرة Arrow الأصلية أثناء تحويل كائن Arrow إلى pandas. إذا استخدمت الكائن بعد استدعاء `to_pandas` مع هذا الخيار، فسيؤدي ذلك إلى انهيار برنامجك.

types_mapper (`function`، القيمة الافتراضية `None`) : دالة تُحوّل نوع pyarrow DataType إلى `ExtensionDtype` في pandas. يمكن استخدام هذه الدالة لتجاوز النوع الافتراضي في pandas عند تحويل أنواع pyarrow المدمجة أو في حال غياب `pandas_metadata` في مخطط الجدول. تستقبل الدالة نوع pyarrow DataType ويُتوقع منها إرجاع `ExtensionDtype` في pandas أو `None` إذا كان يجب استخدام التحويل الافتراضي لذلك النوع. إذا كان لديك قاموس للتحويل، يمكنك تمرير `dict.get` كدالة.

**يعيد:** `pandas.Series` أو `pandas.DataFrame`

`pandas.Series` أو `pandas.DataFrame` اعتمادًا على نوع الكائن

تحويل إلى مصفوفة NumPy متوافقة مع pandas أو إطار بيانات DataFrame، حسب ما يناسب.

#### to_string[[datasets.table.Table.to_string]]

```python
to_string(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L362)

#### حقل[[datasets.table.Table.field]]

```python
field(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L381)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم الحقل المطلوب استرجاعه.

**يعيد:**

`pyarrow.Field`

اختر حقلًا في المخطط (schema) من خلال اسم العمود أو الفهرس الرقمي.

#### عمود[[datasets.table.Table.column]]

```python
column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L394)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم العمود المطلوب استرجاعه.

**يعيد:**

`pyarrow.ChunkedArray`

اختر عمودًا باسم العمود أو بالفهرس الرقمي.

#### itercolumns[[datasets.table.Table.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L407)

**يُنتج:**

`pyarrow.ChunkedArray`

مُتكرِّر على جميع الأعمدة بترتيبها العددي.

#### مخطط[[datasets.table.Table.schema]]

```python
schema()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L416)

**يعيد:**

`pyarrow.Schema`

مخطط الجدول وأعمدته.

#### الأعمدة[[datasets.table.Table.columns]]

```python
columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L426)

**يعيد:**

`List[pa.ChunkedArray]`

قائمة بجميع الأعمدة بالترتيب الرقمي.

#### num_columns[[datasets.table.Table.num_columns]]

```python
num_columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L436)

**يعيد:**

int

عدد الأعمدة في هذه الجدول.

#### num_rows[[datasets.table.Table.num_rows]]

```python
num_rows()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L446)

**يعيد:**

int

عدد الصفوف في هذه الجدول.

بسبب تعريف الجدول، فإن جميع الأعمدة تحتوي على نفس عدد الصفوف.

#### الشكل[[datasets.table.Table.shape]]

```python
shape()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L459)

**يعيد:** `(int, int)`

عدد الصفوف وعدد الأعمدة.

أبعاد الجدول: (#rows, #columns).

#### nbytes[[datasets.table.Table.nbytes]]

```python
nbytes()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L469)

إجمالي عدد البايتات المستهلكة بواسطة عناصر الجدول.

## InMemoryTable[[datasets.table.InMemoryTable]]

#### datasets.table.InMemoryTable[[datasets.table.InMemoryTable]]

```python
datasets.table.InMemoryTable(table: Table)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L695)

يُقال إن الجدول في الذاكرة (in-memory) عندما يُحمَّل في ذاكرة الوصول العشوائي (RAM) للمستخدم.

يقوم التخليل (Pickling) بنسخ جميع البيانات باستخدام الذاكرة. إن تنفيذه بسيط ويعتمد مباشرةً على طرق جدول pyarrow الأساسية.

يختلف هذا عن جدول `MemoryMapped`، حيث لا ينسخ التخليل (pickling) جميع البيانات في الذاكرة. أما في حالة `MemoryMapped`، فإن إلغاء التخليل (unpickling) يعيد تحميل الجدول من القرص بدلاً من ذلك.

يجب استخدام `InMemoryTable` عندما تتسع البيانات للذاكرة، بينما تُحجز `MemoryMapped` للبيانات الأكبر من حجم الذاكرة أو عندما تريد إبقاء بصمة الذاكرة لتطبيقك منخفضة.

#### التحقق[[datasets.table.InMemoryTable.validate]]

```python
validate(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L235)

**المعاملات:**

full (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم تنفيذ الفحوصات المكلفة، وإلا تُنفَّذ الفحوصات الرخيصة فقط.

**يرفع:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- إذا فشلت عملية التحقق

أداء فحوصات التحقق. يتم رفع استثناء إذا فشل التحقق.

بشكل افتراضي، تُنفَّذ فحوصات التحقق الرخيصة فقط. مرّر `full=True` لإجراء فحوصات تحقق شاملة (قد تكون `O(n)`).

#### يساوي[[datasets.table.InMemoryTable.equals]]

```python
equals(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L251)

**المعاملات:**

other ([جدول](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)) : الجدول الذي تتم المقارنة ضده.

check_metadata `bool`، القيمة الافتراضية `False`) : ما إذا كان يجب التحقق من تساوي بيانات وصفية المخطط (schema metadata) أيضًا.

**يعيد:** `bool`

تحقق مما إذا كانت محتويات جدولين متساويتين.

#### to_batches[[datasets.table.InMemoryTable.to_batches]]

```python
to_batches(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L268)

**المعاملات:**

max_chunksize (`int`، القيمة الافتراضية `None`) : الحد الأقصى لحجم مقاطع `RecordBatch`. قد تكون المقاطع الفردية أصغر اعتمادًا على تخطيط المقاطع للأعمدة الفردية.

**يعيد:**

`List[pyarrow.RecordBatch]`

تحويل الجدول إلى قائمة من كائنات `RecordBatch` (متجاورة).

#### to_pydict[[datasets.table.InMemoryTable.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L282)

**يعيد:** `dict`

تحويل الجدول إلى `dict` أو `OrderedDict`.

#### to_pandas[[datasets.table.InMemoryTable.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L300)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : ذاكرة Arrow MemoryPool المستخدمة للتخصيصات. يتم استخدام مجموعة الذاكرة الافتراضية إذا لم يتم تمريرها.

strings_to_categorical (`bool`، القيمة الافتراضية `False`) : ترميز أنواع النصوص (UTF8) والثنائية إلى `pandas.Categorical`.

categories (`list`، الافتراضي `empty`) : قائمة الحقول التي يجب إرجاعها على شكل `pandas.Categorical`. ينطبق فقط على هياكل البيانات المشابهة للجداول.

zero_copy_only (`bool`، القيمة الافتراضية `False`) : يرمي `ArrowException` إذا كان استدعاء هذه الدالة سيتطلب نسخ البيانات الأساسية.

integer_object_nulls (`bool`، القيمة الافتراضية `False`) : تحويل الأعداد الصحيحة التي تحتوي على قيم فارغة إلى كائنات.

date_as_object (`bool`، القيمة الافتراضية `True`) : تحويل التواريخ إلى كائنات. إذا كانت `False`، يتم التحويل إلى نوع `datetime64[ns]`.

timestamp_as_object (`bool`، القيمة الافتراضية `False`) : تحويل الطوابع الزمنية غير النانوثانية (`np.datetime64`) إلى كائنات. يكون هذا مفيدًا إذا كانت لديك طوابع زمنية لا تتناسب مع النطاق التاريخي العادي لطوابع النانوثانية (1678 م - 2262 م). إذا كانت القيمة `False`، يتم تحويل جميع الطوابع الزمنية إلى نوع البيانات `datetime64[ns]`.

use_threads (`bool`، القيمة الافتراضية `True`) : ما إذا كان سيتم موازاة التحويل باستخدام عدة خيوط.

deduplicate_objects (`bool`، القيمة الافتراضية `False`) : لا تُنشئ نسخًا متعددة من كائنات Python عند الإنشاء، لتوفير استهلاك الذاكرة. ستكون عملية التحويل أبطأ.

ignore_metadata (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، فلا تُستخدم بيانات pandas الوصفية لإعادة بناء فهرس DataFrame، إن وُجد.

safe (`bool`، القيمة الافتراضية `True`) : بالنسبة لأنواع بيانات معينة، يلزم إجراء تحويل (cast) لتخزين البيانات في إطار بيانات pandas أو سلسلة Series (على سبيل المثال، تُخزَّن الطوابع الزمنية دائمًا بالنانو ثانية في pandas). يتحكم هذا الخيار في ما إذا كان التحويل آمنًا أم لا.

split_blocks (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم إنشاء كتلة داخلية واحدة لكل عمود عند إنشاء pandas.DataFrame من `RecordBatch` أو `Table`. على الرغم من أن هذا قد يقلل مؤقتًا من استهلاك الذاكرة، إلا أن ملاحظة أن عمليات pandas المختلفة قد تُطلق عملية "توحيد" (consolidation) التي قد تُفاقم استخدام الذاكرة.

self_destruct (`bool`، القيمة الافتراضية `False`) : تجريبي: إذا كانت `True`، فسيتم محاولة إلغاء تخصيص ذاكرة Arrow الأصلية أثناء تحويل كائن Arrow إلى pandas. إذا استخدمت الكائن بعد استدعاء `to_pandas` مع هذا الخيار، فسيؤدي ذلك إلى انهيار برنامجك.

types_mapper (`function`، القيمة الافتراضية `None`) : دالة تُحوّل نوع pyarrow DataType إلى `ExtensionDtype` في pandas. يمكن استخدام هذه الدالة لتجاوز النوع الافتراضي في pandas عند تحويل أنواع pyarrow المدمجة أو في حال غياب `pandas_metadata` في مخطط الجدول. تستقبل الدالة نوع pyarrow DataType ويُتوقع منها إرجاع `ExtensionDtype` في pandas أو `None` إذا كان يجب استخدام التحويل الافتراضي لذلك النوع. إذا كان لديك قاموس للتحويل، يمكنك تمرير `dict.get` كدالة.

**يعيد:** `pandas.Series` أو `pandas.DataFrame`

`pandas.Series` أو `pandas.DataFrame` اعتمادًا على نوع الكائن

تحويل إلى مصفوفة NumPy متوافقة مع pandas أو إطار بيانات DataFrame، حسب ما يناسب.

#### to_string[[datasets.table.InMemoryTable.to_string]]

```python
to_string(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L362)

#### حقل[[datasets.table.InMemoryTable.field]]

```python
field(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L381)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم الحقل المطلوب استرجاعه.

**يعيد:**

`pyarrow.Field`

اختر حقلًا في المخطط (schema) من خلال اسم العمود أو الفهرس الرقمي.

#### عمود[[datasets.table.InMemoryTable.column]]

```python
column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L394)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم العمود المطلوب استرجاعه.

**يعيد:**

`pyarrow.ChunkedArray`

اختر عمودًا باسم العمود أو بالفهرس الرقمي.

#### itercolumns[[datasets.table.InMemoryTable.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L407)

**يُنتج:**

`pyarrow.ChunkedArray`

مُتكرِّر على جميع الأعمدة بترتيبها العددي.

#### مخطط[[datasets.table.InMemoryTable.schema]]

```python
schema()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L416)

**يعيد:**

`pyarrow.Schema`

مخطط الجدول وأعمدته.

#### الأعمدة[[datasets.table.InMemoryTable.columns]]

```python
columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L426)

**يعيد:**

`List[pa.ChunkedArray]`

قائمة بجميع الأعمدة بالترتيب الرقمي.

#### num_columns[[datasets.table.InMemoryTable.num_columns]]

```python
num_columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L436)

**يعيد:**

int

عدد الأعمدة في هذه الجدول.

#### num_rows[[datasets.table.InMemoryTable.num_rows]]

```python
num_rows()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L446)

**يعيد:**

int

عدد الصفوف في هذه الجدول.

بسبب تعريف الجدول، فإن جميع الأعمدة تحتوي على نفس عدد الصفوف.

#### الشكل[[datasets.table.InMemoryTable.shape]]

```python
shape()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L459)

**يعيد:** `(int, int)`

عدد الصفوف وعدد الأعمدة.

أبعاد الجدول: (#rows, #columns).

#### nbytes[[datasets.table.InMemoryTable.nbytes]]

```python
nbytes()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L469)

إجمالي عدد البايتات المستهلكة بواسطة عناصر الجدول.

#### column_names[[datasets.table.InMemoryTable.column_names]]

```python
column_names()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L476)

أسماء أعمدة الجدول.

#### مقطع[[datasets.table.InMemoryTable.slice]]

```python
slice(offset = 0, length = None)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L859)

**المعاملات:**

offset (`int`، القيمة الافتراضية `0`) : الإزاحة من بداية الجدول إلى الجزء المقطوع.

length (`int`، القيمة الافتراضية هي `None`) : طول المقطع (القيمة الافتراضية هي حتى نهاية الجدول بدءًا من الإزاحة).

**يعيد:**

`datasets.table.Table`

احسب شريحة بدون نسخ (zero-copy) لهذه الجدولة (Table).

#### تصفية[[datasets.table.InMemoryTable.filter]]

```python
filter(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L876)

اختر السجلات من جدول. راجع `pyarrow.compute.filter` للاستخدام الكامل.

#### flatten[[datasets.table.InMemoryTable.flatten]]

```python
flatten(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L882)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : لتخصيصات الذاكرة، إذا لزم الأمر، وإلا فاستخدم المسبح الافتراضي.

**يعيد:**

`datasets.table.Table`

Flatten هذه الجدول. يتم تسطيح كل عمود من نوع struct إلى عمود واحد لكل حقل في الهيكل. تبقى الأعمدة الأخرى دون تغيير.

#### combine_chunks[[datasets.table.InMemoryTable.combine_chunks]]

```python
combine_chunks(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L896)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : لتخصيصات الذاكرة، إذا لزم الأمر، وإلا فاستخدم المسبح الافتراضي.

**يعيد:**

`datasets.table.Table`

أنشئ جدولاً جديداً عن طريق دمج المقاطع التي يتكون منها هذا الجدول.

تُدمج جميع المقاطع الأساسية في `ChunkedArray` لكل عمود في مقطع واحد أو لا شيء.

#### cast[[datasets.table.InMemoryTable.cast]]

```python
cast(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L912)

**المعاملات:**

target_schema (`Schema`) : المخطط الذي سيتم التحويل إليه، حيث يجب أن تتطابق أسماء الحقول وترتيبها.

safe (`bool`، القيمة الافتراضية `True`) : التحقق من تجاوزات الحدود أو التحويلات غير الآمنة الأخرى.

**يعيد:**

`datasets.table.Table`

قم بتحويل قيم الجدول إلى مخطط آخر.

#### replace_schema_metadata[[datasets.table.InMemoryTable.replace_schema_metadata]]

```python
replace_schema_metadata(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L927)

**المعاملات:**

metadata (`dict`، القيمة الافتراضية هي `None`) --

**يعيد:** `datasets.table.Table`

shallow_copy

تجريبي: أنشئ نسخة سطحية من الجدول عن طريق استبدال بيانات الوصف (الميتاداتا) المفتاح-القيمة للمخطط ببيانات الوصف الجديدة المحددة (والتي قد تكون `None`، مما يؤدي إلى حذف أي بيانات وصفية موجودة مسبقًا).

#### add_column[[datasets.table.InMemoryTable.add_column]]

```python
add_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L941)

**المعاملات:**

i (`int`) : فهرس موضع العمود.

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع إضافة العمود المُمرَّر.

إضافة عمود إلى الجدول عند الموضع المحدد.

يُعاد جدول جديد مع العمود المضاف، ويبقى كائن الجدول الأصلي دون تغيير.

#### append_column[[datasets.table.InMemoryTable.append_column]]

```python
append_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L962)

**المعاملات:**

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع إضافة العمود المُمرَّر.

إضافة العمود في نهاية الأعمدة.

#### remove_column[[datasets.table.InMemoryTable.remove_column]]

```python
remove_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L979)

**المعاملات:**

i (`int`) : فهرس العمود المراد حذفه.

**يعيد:** `datasets.table.Table`

جدول جديد بدون العمود.

إنشاء جدول جديد مع إزالة العمود المحدد.

#### set_column[[datasets.table.InMemoryTable.set_column]]

```python
set_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L993)

**المعاملات:**

i (`int`) : فهرس موضع العمود.

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع مجموعة الأعمدة المُمرَّرة.

استبدال العمود في الجدول عند الموضع المحدد.

#### rename_columns[[datasets.table.InMemoryTable.rename_columns]]

```python
rename_columns(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1012)

إنشاء جدول جديد مع إعادة تسمية الأعمدة إلى الأسماء المُقدَّمة.

#### تحديد[[datasets.table.InMemoryTable.select]]

```python
select(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1035)

**المعاملات:**

columns (`Union[List[str], List[int]]`) : أسماء الأعمدة أو الفهارس الصحيحة التي سيتم اختيارها.

**يعيد:** [datasets.table.Table](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)

جدول جديد بالأعمدة المحددة، مع الحفاظ على البيانات الوصفية.

حدد أعمدة الجدول.

يعيد جدولًا جديدًا بالأعمدة المحددة، مع الحفاظ على البيانات الوصفية.

#### drop[[datasets.table.InMemoryTable.drop]]

```python
drop(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1018)

**المعاملات:**

columns (`List[str]`) : قائمة بأسماء الحقول التي تشير إلى أعمدة موجودة.

**يعيد:** `datasets.table.Table`

جدول جديد بدون الأعمدة.

**يرفع:** ``KeyError``

- ``KeyError`` -- : إذا لم تكن أي من أسماء الأعمدة المُمررة موجودة.

احذف عمودًا واحدًا أو أكثر وعُد جدولًا جديدًا.

#### from_file[[datasets.table.InMemoryTable.from_file]]

```python
from_file(filename: str)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L719)

#### from_buffer[[datasets.table.InMemoryTable.from_buffer]]

```python
from_buffer(buffer: Buffer)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L724)

#### from_pandas[[datasets.table.InMemoryTable.from_pandas]]

```python
from_pandas(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L729)

**المعاملات:**

df (`pandas.DataFrame`) --

schema (`pyarrow.Schema`، *اختياري*) : المخطط المتوقع لجداول Arrow. يمكن استخدام هذا لتحديد نوع الأعمدة إذا تعذّر استنتاجه تلقائيًا. إذا تم تمريره، فسيكون للمخرجات هذا المخطط بالضبط. ستُثير الأعمدة المحددة في المخطط والتي لم يتم العثور عليها في أعمدة DataFrame أو فهرسه خطأً. سيتم تجاهل الأعمدة الإضافية أو مستويات الفهرس في DataFrame غير المحددة في المخطط.

preserve_index (`bool`, *اختياري*) : ما إذا كان سيتم تخزين الفهرس كعمود إضافي في `Table` الناتج. القيمة الافتراضية None ستخزّن الفهرس كعمود، باستثناء RangeIndex الذي يُخزَّن كبيانات وصفية فقط. استخدم `preserve_index=True` لإجباره على التخزين كعمود.

nthreads (`int`، القيمة الافتراضية `None` (قد يستخدم حتى عدد وحدات المعالجة المركزية في النظام)) : إذا كانت القيمة أكبر من 1، يتم تحويل الأعمدة إلى Arrow بالتوازي باستخدام عدد الخيوط المحدد.

columns (`List[str]`، *اختياري*) : قائمة بالأعمدة التي سيتم تحويلها. إذا كانت `None`، فسيتم استخدام جميع الأعمدة.

safe (`bool`، القيمة الافتراضية `True`) : التحقق من تجاوزات الحدود أو التحويلات غير الآمنة الأخرى،

**يعيد:** `datasets.table.Table`

تحويل pandas.DataFrame إلى جدول Arrow.

تُستنتج أنواع الأعمدة في جدول Arrow الناتج من أنواع dtypes لسلاسل pandas.Series داخل DataFrame. في حالة السلاسل غير من نوع object، يُترجم نوع NumPy إلى ما يعادله في Arrow. أما في حالة `object`، فيجب تخمين نوع البيانات من خلال فحص كائنات Python الموجودة في هذه السلسلة.

انتبه إلى أن سلسلة من نوع `object` لا تحمل معلومات كافية دائمًا للتوصل إلى نوع Arrow ذي معنى. في حال تعذّر استنتاج النوع، على سبيل المثال لأن إطار البيانات طوله 0 أو لأن السلسلة تحتوي فقط على كائنات `None/nan`، يتم تعيين النوع إلى null. يمكن تجنّب هذا السلوك من خلال إنشاء مخطط صريح وتوريده إلى هذه الدالة.

أمثلة:
```python
>>> import pandas as pd
>>> import pyarrow as pa
>>> df = pd.DataFrame({
    ...     'int': [1, 2],
    ...     'str': ['a', 'b']
    ... })
>>> pa.Table.from_pandas(df)
<pyarrow.lib.Table object at 0x7f05d1fb1b40>
```

#### from_arrays[[datasets.table.InMemoryTable.from_arrays]]

```python
from_arrays(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L787)

**المعاملات:**

arrays (`List[Union[pyarrow.Array, pyarrow.ChunkedArray]]`) : مصفوفات متساوية الطول يجب أن تشكّل الجدول.

names (`List[str]`، *اختياري*) : أسماء لأعمدة الجدول. إذا لم يتم تمريرها، يجب تمرير المخطط.

schema (`Schema`، القيمة الافتراضية هي `None`) : مخطط الجدول المنشأ. إذا لم يتم تمريره، يجب تمرير الأسماء.

metadata (`Union[dict, Mapping]`، القيمة الافتراضية `None`) : بيانات وصفية اختيارية للمخطط (إذا تم استنتاجه).

**يعيد:**

`datasets.table.Table`

إنشاء جدول من مصفوفات Arrow.

#### from_pydict[[datasets.table.InMemoryTable.from_pydict]]

```python
from_pydict(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L807)

**المعاملات:**

mapping (`Union[dict, Mapping]`) : خريطة من السلاسل النصية إلى مصفوفات أو قوائم بايثون.

schema (`Schema`، القيمة الافتراضية هي `None`) : إذا لم يتم تمريرها، فسيتم استنتاجها من قيم Mapping

metadata (`Union[dict, Mapping]`، القيمة الافتراضية `None`) : بيانات وصفية اختيارية للمخطط (إذا تم استنتاجه).

**يعيد:**

`datasets.table.Table`

إنشاء جدول من مصفوفات Arrow أو أعمدة.

#### from_batches[[datasets.table.InMemoryTable.from_batches]]

```python
from_batches(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L843)

**المعاملات:**

batches (`Union[Sequence[pyarrow.RecordBatch], Iterator[pyarrow.RecordBatch]]`) : تسلسل من `RecordBatch` ليتم تحويله، ويجب أن تكون جميع المخططات متساوية.

schema (`Schema`، القيمة الافتراضية هي `None`) : إذا لم يتم تمريرها، فستُستنتج من أول `RecordBatch`.

**يعيد:** `datasets.table.Table`

أنشئ جدولاً من تسلسل أو مُتكرِّر من `RecordBatches` الخاصة بـ Arrow.

## MemoryMappedTable[[datasets.table.MemoryMappedTable]]

#### datasets.table.MemoryMappedTable[[datasets.table.MemoryMappedTable]]

```python
datasets.table.MemoryMappedTable(table: Table, path: str, replays: typing.Optional[list[tuple[str, tuple, dict]]] = None)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1055)

يُقال إن الجدول مُرمَّز في الذاكرة (memory mapped) عندما لا يستخدم ذاكرة الوصول العشوائي (RAM) للمستخدم، بل يقوم بتحميل البيانات من القرص بدلاً من ذلك.

لا ينسخ التخليل البيانات إلى الذاكرة. بدلاً من ذلك، يتم تخليل مسار ملف arrow المُخزَّن في الذاكرة فقط، بالإضافة إلى قائمة التحويلات التي يجب «إعادة تشغيلها» عند إعادة تحميل الجدول من القرص.

يتطلب تنفيذها تخزين سجل لجميع التحويلات التي طُبِّقت على جدول pyarrow الأساسي، بحيث يمكن "إعادة تشغيلها" عند إعادة تحميل الجدول من القرص.

يختلف هذا عن جدول `InMemoryTable`، حيث يؤدي التحويل إلى كائنات (pickling) إلى نسخ جميع البيانات الموجودة في الذاكرة.

يجب استخدام `InMemoryTable` عندما تتسع البيانات للذاكرة، بينما تُحجز `MemoryMapped` للبيانات الأكبر من حجم الذاكرة أو عندما تريد إبقاء بصمة الذاكرة لتطبيقك منخفضة.

#### التحقق[[datasets.table.MemoryMappedTable.validate]]

```python
validate(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L235)

**المعاملات:**

full (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم تنفيذ الفحوصات المكلفة، وإلا تُنفَّذ الفحوصات الرخيصة فقط.

**يرفع:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- إذا فشلت عملية التحقق

أداء فحوصات التحقق. يتم رفع استثناء إذا فشل التحقق.

بشكل افتراضي، تُنفَّذ فحوصات التحقق الرخيصة فقط. مرّر `full=True` لإجراء فحوصات تحقق شاملة (قد تكون `O(n)`).

#### يساوي[[datasets.table.MemoryMappedTable.equals]]

```python
equals(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L251)

**المعاملات:**

other ([جدول](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)) : الجدول الذي تتم المقارنة ضده.

check_metadata `bool`، القيمة الافتراضية `False`) : ما إذا كان يجب التحقق من تساوي بيانات وصفية المخطط (schema metadata) أيضًا.

**يعيد:** `bool`

تحقق مما إذا كانت محتويات جدولين متساويتين.

#### to_batches[[datasets.table.MemoryMappedTable.to_batches]]

```python
to_batches(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L268)

**المعاملات:**

max_chunksize (`int`، القيمة الافتراضية `None`) : الحد الأقصى لحجم مقاطع `RecordBatch`. قد تكون المقاطع الفردية أصغر اعتمادًا على تخطيط المقاطع للأعمدة الفردية.

**يعيد:**

`List[pyarrow.RecordBatch]`

تحويل الجدول إلى قائمة من كائنات `RecordBatch` (متجاورة).

#### to_pydict[[datasets.table.MemoryMappedTable.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L282)

**يعيد:** `dict`

تحويل الجدول إلى `dict` أو `OrderedDict`.

#### to_pandas[[datasets.table.MemoryMappedTable.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L300)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : ذاكرة Arrow MemoryPool المستخدمة للتخصيصات. يتم استخدام مجموعة الذاكرة الافتراضية إذا لم يتم تمريرها.

strings_to_categorical (`bool`، القيمة الافتراضية `False`) : ترميز أنواع النصوص (UTF8) والثنائية إلى `pandas.Categorical`.

categories (`list`، الافتراضي `empty`) : قائمة الحقول التي يجب إرجاعها على شكل `pandas.Categorical`. ينطبق فقط على هياكل البيانات المشابهة للجداول.

zero_copy_only (`bool`، القيمة الافتراضية `False`) : يرمي `ArrowException` إذا كان استدعاء هذه الدالة سيتطلب نسخ البيانات الأساسية.

integer_object_nulls (`bool`، القيمة الافتراضية `False`) : تحويل الأعداد الصحيحة التي تحتوي على قيم فارغة إلى كائنات.

date_as_object (`bool`، القيمة الافتراضية `True`) : تحويل التواريخ إلى كائنات. إذا كانت `False`، يتم التحويل إلى نوع `datetime64[ns]`.

timestamp_as_object (`bool`، القيمة الافتراضية `False`) : تحويل الطوابع الزمنية غير النانوثانية (`np.datetime64`) إلى كائنات. يكون هذا مفيدًا إذا كانت لديك طوابع زمنية لا تتناسب مع النطاق التاريخي العادي لطوابع النانوثانية (1678 م - 2262 م). إذا كانت القيمة `False`، يتم تحويل جميع الطوابع الزمنية إلى نوع البيانات `datetime64[ns]`.

use_threads (`bool`، القيمة الافتراضية `True`) : ما إذا كان سيتم موازاة التحويل باستخدام عدة خيوط.

deduplicate_objects (`bool`، القيمة الافتراضية `False`) : لا تُنشئ نسخًا متعددة من كائنات Python عند الإنشاء، لتوفير استهلاك الذاكرة. ستكون عملية التحويل أبطأ.

ignore_metadata (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، فلا تُستخدم بيانات pandas الوصفية لإعادة بناء فهرس DataFrame، إن وُجد.

safe (`bool`، القيمة الافتراضية `True`) : بالنسبة لأنواع بيانات معينة، يلزم إجراء تحويل (cast) لتخزين البيانات في إطار بيانات pandas أو سلسلة Series (على سبيل المثال، تُخزَّن الطوابع الزمنية دائمًا بالنانو ثانية في pandas). يتحكم هذا الخيار في ما إذا كان التحويل آمنًا أم لا.

split_blocks (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم إنشاء كتلة داخلية واحدة لكل عمود عند إنشاء pandas.DataFrame من `RecordBatch` أو `Table`. على الرغم من أن هذا قد يقلل مؤقتًا من استهلاك الذاكرة، إلا أن ملاحظة أن عمليات pandas المختلفة قد تُطلق عملية "توحيد" (consolidation) التي قد تُفاقم استخدام الذاكرة.

self_destruct (`bool`، القيمة الافتراضية `False`) : تجريبي: إذا كانت `True`، فسيتم محاولة إلغاء تخصيص ذاكرة Arrow الأصلية أثناء تحويل كائن Arrow إلى pandas. إذا استخدمت الكائن بعد استدعاء `to_pandas` مع هذا الخيار، فسيؤدي ذلك إلى انهيار برنامجك.

types_mapper (`function`، القيمة الافتراضية `None`) : دالة تُحوّل نوع pyarrow DataType إلى `ExtensionDtype` في pandas. يمكن استخدام هذه الدالة لتجاوز النوع الافتراضي في pandas عند تحويل أنواع pyarrow المدمجة أو في حال غياب `pandas_metadata` في مخطط الجدول. تستقبل الدالة نوع pyarrow DataType ويُتوقع منها إرجاع `ExtensionDtype` في pandas أو `None` إذا كان يجب استخدام التحويل الافتراضي لذلك النوع. إذا كان لديك قاموس للتحويل، يمكنك تمرير `dict.get` كدالة.

**يعيد:** `pandas.Series` أو `pandas.DataFrame`

`pandas.Series` أو `pandas.DataFrame` اعتمادًا على نوع الكائن

تحويل إلى مصفوفة NumPy متوافقة مع pandas أو إطار بيانات DataFrame، حسب ما يناسب.

#### to_string[[datasets.table.MemoryMappedTable.to_string]]

```python
to_string(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L362)

#### حقل[[datasets.table.MemoryMappedTable.field]]

```python
field(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L381)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم الحقل المطلوب استرجاعه.

**يعيد:**

`pyarrow.Field`

اختر حقلًا في المخطط (schema) من خلال اسم العمود أو الفهرس الرقمي.

#### عمود[[datasets.table.MemoryMappedTable.column]]

```python
column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L394)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم العمود المطلوب استرجاعه.

**يعيد:**

`pyarrow.ChunkedArray`

اختر عمودًا باسم العمود أو بالفهرس الرقمي.

#### itercolumns[[datasets.table.MemoryMappedTable.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L407)

**يُنتج:**

`pyarrow.ChunkedArray`

مُتكرِّر على جميع الأعمدة بترتيبها العددي.

#### مخطط[[datasets.table.MemoryMappedTable.schema]]

```python
schema()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L416)

**يعيد:**

`pyarrow.Schema`

مخطط الجدول وأعمدته.

#### الأعمدة[[datasets.table.MemoryMappedTable.columns]]

```python
columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L426)

**يعيد:**

`List[pa.ChunkedArray]`

قائمة بجميع الأعمدة بالترتيب الرقمي.

#### num_columns[[datasets.table.MemoryMappedTable.num_columns]]

```python
num_columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L436)

**يعيد:**

int

عدد الأعمدة في هذه الجدول.

#### num_rows[[datasets.table.MemoryMappedTable.num_rows]]

```python
num_rows()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L446)

**يعيد:**

int

عدد الصفوف في هذه الجدول.

بسبب تعريف الجدول، فإن جميع الأعمدة تحتوي على نفس عدد الصفوف.

#### الشكل[[datasets.table.MemoryMappedTable.shape]]

```python
shape()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L459)

**يعيد:** `(int, int)`

عدد الصفوف وعدد الأعمدة.

أبعاد الجدول: (#rows, #columns).

#### nbytes[[datasets.table.MemoryMappedTable.nbytes]]

```python
nbytes()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L469)

إجمالي عدد البايتات المستهلكة بواسطة عناصر الجدول.

#### column_names[[datasets.table.MemoryMappedTable.column_names]]

```python
column_names()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L476)

أسماء أعمدة الجدول.

#### مقطع[[datasets.table.MemoryMappedTable.slice]]

```python
slice(offset = 0, length = None)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1114)

**المعاملات:**

offset (`int`، القيمة الافتراضية `0`) : الإزاحة من بداية الجدول إلى الجزء المقطوع.

length (`int`، القيمة الافتراضية هي `None`) : طول المقطع (القيمة الافتراضية هي حتى نهاية الجدول بدءًا من الإزاحة).

**يعيد:**

`datasets.table.Table`

احسب شريحة بدون نسخ (zero-copy) لهذه الجدولة (Table).

#### تصفية[[datasets.table.MemoryMappedTable.filter]]

```python
filter(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1133)

اختر السجلات من جدول. راجع `pyarrow.compute.filter` للاستخدام الكامل.

#### flatten[[datasets.table.MemoryMappedTable.flatten]]

```python
flatten(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1141)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : لتخصيصات الذاكرة، إذا لزم الأمر، وإلا فاستخدم المسبح الافتراضي.

**يعيد:**

`datasets.table.Table`

Flatten هذه الجدول. يتم تسطيح كل عمود من نوع struct إلى عمود واحد لكل حقل في الهيكل. تبقى الأعمدة الأخرى دون تغيير.

#### combine_chunks[[datasets.table.MemoryMappedTable.combine_chunks]]

```python
combine_chunks(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1157)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : لتخصيصات الذاكرة، إذا لزم الأمر، وإلا فاستخدم المسبح الافتراضي.

**يعيد:**

`datasets.table.Table`

أنشئ جدولاً جديداً عن طريق دمج المقاطع التي يتكون منها هذا الجدول.

تُدمج جميع المقاطع الأساسية في ChunkedArray لكل عمود في مقطع واحد أو لا شيء.

#### cast[[datasets.table.MemoryMappedTable.cast]]

```python
cast(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1175)

**المعاملات:**

target_schema (`Schema`) : المخطط الذي سيتم التحويل إليه، حيث يجب أن تتطابق أسماء الحقول وترتيبها.

safe (`bool`، القيمة الافتراضية `True`) : التحقق من تجاوزات الحدود أو التحويلات غير الآمنة الأخرى.

**يعيد:**

`datasets.table.Table`

تحويل قيم الجدول إلى مخطط آخر

#### replace_schema_metadata[[datasets.table.MemoryMappedTable.replace_schema_metadata]]

```python
replace_schema_metadata(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1192)

**المعاملات:**

metadata (`dict`، القيمة الافتراضية هي `None`) --

**يعيد:** `datasets.table.Table`

shallow_copy

تجريبي: أنشئ نسخة سطحية من الجدول عن طريق استبدال بيانات الوصف (الميتاداتا) المفتاح-القيمة للمخطط (Schema) ببيانات الوصف الجديدة المحددة (والتي قد تكون None، مما يؤدي إلى حذف أي بيانات وصفية موجودة مسبقًا).

#### add_column[[datasets.table.MemoryMappedTable.add_column]]

```python
add_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1208)

**المعاملات:**

i (`int`) : فهرس موضع العمود.

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع إضافة العمود المُمرَّر.

إضافة عمود إلى الجدول عند الموضع المحدد.

يُعاد جدول جديد مع العمود المضاف، ويبقى كائن الجدول الأصلي دون تغيير.

#### append_column[[datasets.table.MemoryMappedTable.append_column]]

```python
append_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1231)

**المعاملات:**

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع إضافة العمود المُمرَّر.

إضافة العمود في نهاية الأعمدة.

#### remove_column[[datasets.table.MemoryMappedTable.remove_column]]

```python
remove_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1250)

**المعاملات:**

i (`int`) : فهرس العمود المراد حذفه.

**يعيد:** `datasets.table.Table`

جدول جديد بدون العمود.

إنشاء جدول جديد مع إزالة العمود المحدد.

#### set_column[[datasets.table.MemoryMappedTable.set_column]]

```python
set_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1266)

**المعاملات:**

i (`int`) : فهرس موضع العمود.

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع مجموعة الأعمدة المُمرَّرة.

استبدال العمود في الجدول عند الموضع المحدد.

#### rename_columns[[datasets.table.MemoryMappedTable.rename_columns]]

```python
rename_columns(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1287)

إنشاء جدول جديد مع إعادة تسمية الأعمدة إلى الأسماء المُقدَّمة.

#### تحديد[[datasets.table.MemoryMappedTable.select]]

```python
select(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1314)

**المعاملات:**

columns (`Union[List[str], List[int]]`) : أسماء الأعمدة أو الفهارس الصحيحة التي سيتم اختيارها.

**يعيد:** [datasets.table.Table](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)

جدول جديد بالأعمدة المحددة، مع الحفاظ على البيانات الوصفية.

حدد أعمدة الجدول.

يعيد جدولًا جديدًا بالأعمدة المحددة، مع الحفاظ على البيانات الوصفية.

#### drop[[datasets.table.MemoryMappedTable.drop]]

```python
drop(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1295)

**المعاملات:**

columns (`List[str]`) : قائمة بأسماء الحقول التي تشير إلى أعمدة موجودة.

**يعيد:** `datasets.table.Table`

جدول جديد بدون الأعمدة.

**يرفع:** ``KeyError``

- ``KeyError`` -- : إذا لم تكن أي من أسماء الأعمدة المُمررة موجودة.

احذف عمودًا واحدًا أو أكثر وعُد جدولًا جديدًا.

#### from_file[[datasets.table.MemoryMappedTable.from_file]]

```python
from_file(filename: str, replays = None)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1081)

## ConcatenationTable[[datasets.table.ConcatenationTable]]

#### datasets.table.ConcatenationTable[[datasets.table.ConcatenationTable]]

```python
datasets.table.ConcatenationTable(table: Table, blocks: list)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1339)

تتكوّن الجدولة من دمج عدة جداول تُسمى الكتل. وهي تتيح الدمج على المحور 0 (إضافة صفوف) والمحور 1 (إضافة أعمدة).

تُسمى الجداول الأساسية "كتل" ويمكن أن تكون كائنات من نوع `InMemoryTable` أو `MemoryMappedTable`. وهذا يتيح دمج الجداول التي تأتي من الذاكرة أو التي تكون مرسومة في الذاكرة. عند تنفيذ عملية pickling على `ConcatenationTable`، يتم تنفيذ عملية pickling على كل كتلة:
- تُحفظ كائنات `InMemoryTable` عبر عملية التخليل (pickling) عن طريق نسخ جميع البيانات في الذاكرة.
- تُحفظ كائنات MemoryMappedTable باستخدام آلية pickling دون نسخ البيانات إلى الذاكرة.
بدلاً من ذلك، يتم فقط تسلسل (pickling) المسار إلى ملف arrow المُخزَّن في الذاكرة (memory mapped)، بالإضافة إلى قائمة التحويلات (transforms) التي تُعاد تشغيلها عند إعادة تحميل الجدول من القرص.

يتطلب تنفيذها تخزين كل كتلة بشكل منفصل. يخزن السمة `blocks` قائمة من قوائم الكتل. يدمج المحور الأول الجداول على طول المحور 0 (يضيف الصفوف)، بينما يدمج المحور الثاني الجداول على طول المحور 1 (يضيف الأعمدة).

إذا كانت بعض الأعمدة مفقودة عند الدمج على المحور 0، يتم ملؤها بقيم فارغة. يتم ذلك باستخدام `pyarrow.concat_tables(tables, promote=True)`.

يمكنك الوصول إلى الجدول المدمج بالكامل عن طريق الوصول إلى خاصية `ConcatenationTable.table`، وإلى الكتل عن طريق الوصول إلى خاصية `ConcatenationTable.blocks`.

#### التحقق[[datasets.table.ConcatenationTable.validate]]

```python
validate(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L235)

**المعاملات:**

full (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم تنفيذ الفحوصات المكلفة، وإلا تُنفَّذ الفحوصات الرخيصة فقط.

**يرفع:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- إذا فشلت عملية التحقق

أداء فحوصات التحقق. يتم رفع استثناء إذا فشل التحقق.

بشكل افتراضي، تُنفَّذ فحوصات التحقق الرخيصة فقط. مرّر `full=True` لإجراء فحوصات تحقق شاملة (قد تكون `O(n)`).

#### يساوي[[datasets.table.ConcatenationTable.equals]]

```python
equals(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L251)

**المعاملات:**

other ([جدول](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)) : الجدول الذي تتم المقارنة ضده.

check_metadata `bool`، القيمة الافتراضية `False`) : ما إذا كان يجب التحقق من تساوي بيانات وصفية المخطط (schema metadata) أيضًا.

**يعيد:** `bool`

تحقق مما إذا كانت محتويات جدولين متساويتين.

#### to_batches[[datasets.table.ConcatenationTable.to_batches]]

```python
to_batches(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L268)

**المعاملات:**

max_chunksize (`int`، القيمة الافتراضية `None`) : الحد الأقصى لحجم مقاطع `RecordBatch`. قد تكون المقاطع الفردية أصغر اعتمادًا على تخطيط المقاطع للأعمدة الفردية.

**يعيد:**

`List[pyarrow.RecordBatch]`

تحويل الجدول إلى قائمة من كائنات `RecordBatch` (متجاورة).

#### to_pydict[[datasets.table.ConcatenationTable.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L282)

**يعيد:** `dict`

تحويل الجدول إلى `dict` أو `OrderedDict`.

#### to_pandas[[datasets.table.ConcatenationTable.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L300)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : ذاكرة Arrow MemoryPool المستخدمة للتخصيصات. يتم استخدام مجموعة الذاكرة الافتراضية إذا لم يتم تمريرها.

strings_to_categorical (`bool`، القيمة الافتراضية `False`) : ترميز أنواع النصوص (UTF8) والثنائية إلى `pandas.Categorical`.

categories (`list`، الافتراضي `empty`) : قائمة الحقول التي يجب إرجاعها على شكل `pandas.Categorical`. ينطبق فقط على هياكل البيانات المشابهة للجداول.

zero_copy_only (`bool`، القيمة الافتراضية `False`) : يرمي `ArrowException` إذا كان استدعاء هذه الدالة سيتطلب نسخ البيانات الأساسية.

integer_object_nulls (`bool`، القيمة الافتراضية `False`) : تحويل الأعداد الصحيحة التي تحتوي على قيم فارغة إلى كائنات.

date_as_object (`bool`، القيمة الافتراضية `True`) : تحويل التواريخ إلى كائنات. إذا كانت `False`، يتم التحويل إلى نوع `datetime64[ns]`.

timestamp_as_object (`bool`، القيمة الافتراضية `False`) : تحويل الطوابع الزمنية غير النانوثانية (`np.datetime64`) إلى كائنات. يكون هذا مفيدًا إذا كانت لديك طوابع زمنية لا تتناسب مع النطاق التاريخي العادي لطوابع النانوثانية (1678 م - 2262 م). إذا كانت القيمة `False`، يتم تحويل جميع الطوابع الزمنية إلى نوع البيانات `datetime64[ns]`.

use_threads (`bool`، القيمة الافتراضية `True`) : ما إذا كان سيتم موازاة التحويل باستخدام عدة خيوط.

deduplicate_objects (`bool`، القيمة الافتراضية `False`) : لا تُنشئ نسخًا متعددة من كائنات Python عند الإنشاء، لتوفير استهلاك الذاكرة. ستكون عملية التحويل أبطأ.

ignore_metadata (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، فلا تُستخدم بيانات pandas الوصفية لإعادة بناء فهرس DataFrame، إن وُجد.

safe (`bool`، القيمة الافتراضية `True`) : بالنسبة لأنواع بيانات معينة، يلزم إجراء تحويل (cast) لتخزين البيانات في إطار بيانات pandas أو سلسلة Series (على سبيل المثال، تُخزَّن الطوابع الزمنية دائمًا بالنانو ثانية في pandas). يتحكم هذا الخيار في ما إذا كان التحويل آمنًا أم لا.

split_blocks (`bool`، القيمة الافتراضية `False`) : إذا كانت `True`، يتم إنشاء كتلة داخلية واحدة لكل عمود عند إنشاء pandas.DataFrame من `RecordBatch` أو `Table`. على الرغم من أن هذا قد يقلل مؤقتًا من استهلاك الذاكرة، إلا أن ملاحظة أن عمليات pandas المختلفة قد تُطلق عملية "توحيد" (consolidation) التي قد تُفاقم استخدام الذاكرة.

self_destruct (`bool`، القيمة الافتراضية `False`) : تجريبي: إذا كانت `True`، فسيتم محاولة إلغاء تخصيص ذاكرة Arrow الأصلية أثناء تحويل كائن Arrow إلى pandas. إذا استخدمت الكائن بعد استدعاء `to_pandas` مع هذا الخيار، فسيؤدي ذلك إلى انهيار برنامجك.

types_mapper (`function`، القيمة الافتراضية `None`) : دالة تُحوّل نوع pyarrow DataType إلى `ExtensionDtype` في pandas. يمكن استخدام هذه الدالة لتجاوز النوع الافتراضي في pandas عند تحويل أنواع pyarrow المدمجة أو في حال غياب `pandas_metadata` في مخطط الجدول. تستقبل الدالة نوع pyarrow DataType ويُتوقع منها إرجاع `ExtensionDtype` في pandas أو `None` إذا كان يجب استخدام التحويل الافتراضي لذلك النوع. إذا كان لديك قاموس للتحويل، يمكنك تمرير `dict.get` كدالة.

**يعيد:** `pandas.Series` أو `pandas.DataFrame`

`pandas.Series` أو `pandas.DataFrame` اعتمادًا على نوع الكائن

تحويل إلى مصفوفة NumPy متوافقة مع pandas أو إطار بيانات DataFrame، حسب ما يناسب.

#### to_string[[datasets.table.ConcatenationTable.to_string]]

```python
to_string(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L362)

#### حقل[[datasets.table.ConcatenationTable.field]]

```python
field(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L381)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم الحقل المطلوب استرجاعه.

**يعيد:**

`pyarrow.Field`

اختر حقلًا في المخطط (schema) من خلال اسم العمود أو الفهرس الرقمي.

#### عمود[[datasets.table.ConcatenationTable.column]]

```python
column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L394)

**المعاملات:**

i (`Union[int, str]`) : فهرس أو اسم العمود المطلوب استرجاعه.

**يعيد:**

`pyarrow.ChunkedArray`

اختر عمودًا باسم العمود أو بالفهرس الرقمي.

#### itercolumns[[datasets.table.ConcatenationTable.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L407)

**يُنتج:**

`pyarrow.ChunkedArray`

مُتكرِّر على جميع الأعمدة بترتيبها العددي.

#### مخطط[[datasets.table.ConcatenationTable.schema]]

```python
schema()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L416)

**يعيد:**

`pyarrow.Schema`

مخطط الجدول وأعمدته.

#### الأعمدة[[datasets.table.ConcatenationTable.columns]]

```python
columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L426)

**يعيد:**

`List[pa.ChunkedArray]`

قائمة بجميع الأعمدة بالترتيب الرقمي.

#### num_columns[[datasets.table.ConcatenationTable.num_columns]]

```python
num_columns()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L436)

**يعيد:**

int

عدد الأعمدة في هذه الجدول.

#### num_rows[[datasets.table.ConcatenationTable.num_rows]]

```python
num_rows()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L446)

**يعيد:**

int

عدد الصفوف في هذه الجدول.

بسبب تعريف الجدول، فإن جميع الأعمدة تحتوي على نفس عدد الصفوف.

#### الشكل[[datasets.table.ConcatenationTable.shape]]

```python
shape()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L459)

**يعيد:** `(int, int)`

عدد الصفوف وعدد الأعمدة.

أبعاد الجدول: (#rows, #columns).

#### nbytes[[datasets.table.ConcatenationTable.nbytes]]

```python
nbytes()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L469)

إجمالي عدد البايتات المستهلكة بواسطة عناصر الجدول.

#### column_names[[datasets.table.ConcatenationTable.column_names]]

```python
column_names()
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L476)

أسماء أعمدة الجدول.

#### مقطع[[datasets.table.ConcatenationTable.slice]]

```python
slice(offset = 0, length = None)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1548)

**المعاملات:**

offset (`int`، القيمة الافتراضية `0`) : الإزاحة من بداية الجدول إلى الجزء المقطوع.

length (`int`، القيمة الافتراضية هي `None`) : طول المقطع (القيمة الافتراضية هي حتى نهاية الجدول بدءًا من الإزاحة).

**يعيد:**

`datasets.table.Table`

احسب شريحة بدون نسخ (zero-copy) لهذه الجدولة (Table).

#### تصفية[[datasets.table.ConcatenationTable.filter]]

```python
filter(mask, *args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1579)

اختر السجلات من جدول. راجع `pyarrow.compute.filter` للاستخدام الكامل.

#### flatten[[datasets.table.ConcatenationTable.flatten]]

```python
flatten(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1590)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : لتخصيصات الذاكرة، إذا لزم الأمر، وإلا فاستخدم المسبح الافتراضي.

**يعيد:**

`datasets.table.Table`

Flatten هذه الجدول. يتم تسطيح كل عمود من نوع struct إلى عمود واحد لكل حقل في الهيكل. تبقى الأعمدة الأخرى دون تغيير.

#### combine_chunks[[datasets.table.ConcatenationTable.combine_chunks]]

```python
combine_chunks(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1608)

**المعاملات:**

memory_pool (`MemoryPool`، القيمة الافتراضية هي `None`) : لتخصيصات الذاكرة، إذا لزم الأمر، وإلا فاستخدم المسبح الافتراضي.

**يعيد:**

`datasets.table.Table`

أنشئ جدولاً جديداً عن طريق دمج المقاطع التي يتكون منها هذا الجدول.

تُدمج جميع المقاطع الأساسية في `ChunkedArray` لكل عمود في مقطع واحد أو لا شيء.

#### cast[[datasets.table.ConcatenationTable.cast]]

```python
cast(target_schema, *args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1628)

**المعاملات:**

target_schema (`Schema`) : المخطط الذي سيتم التحويل إليه، حيث يجب أن تتطابق أسماء الحقول وترتيبها.

safe (`bool`، القيمة الافتراضية `True`) : التحقق من تجاوزات الحدود أو التحويلات غير الآمنة الأخرى.

**يعيد:**

`datasets.table.Table`

قم بتحويل قيم الجدول إلى مخطط آخر.

#### replace_schema_metadata[[datasets.table.ConcatenationTable.replace_schema_metadata]]

```python
replace_schema_metadata(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1659)

**المعاملات:**

metadata (`dict`، القيمة الافتراضية هي `None`) --

**يعيد:** `datasets.table.Table`

shallow_copy

تجريبي: أنشئ نسخة سطحية من الجدول عن طريق استبدال بيانات الوصف (الميتاداتا) المفتاح-القيمة للمخطط ببيانات الوصف الجديدة المحددة (والتي قد تكون `None`، مما يؤدي إلى حذف أي بيانات وصفية موجودة مسبقًا).

#### add_column[[datasets.table.ConcatenationTable.add_column]]

```python
add_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1677)

**المعاملات:**

i (`int`) : فهرس موضع العمود.

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع إضافة العمود المُمرَّر.

إضافة عمود إلى الجدول عند الموضع المحدد.

يُعاد جدول جديد مع العمود المضاف، ويبقى كائن الجدول الأصلي دون تغيير.

#### append_column[[datasets.table.ConcatenationTable.append_column]]

```python
append_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1698)

**المعاملات:**

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع إضافة العمود المُمرَّر.

إضافة العمود في نهاية الأعمدة.

#### remove_column[[datasets.table.ConcatenationTable.remove_column]]

```python
remove_column(i, *args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1715)

**المعاملات:**

i (`int`) : فهرس العمود المراد حذفه.

**يعيد:** `datasets.table.Table`

جدول جديد بدون العمود.

إنشاء جدول جديد مع إزالة العمود المحدد.

#### set_column[[datasets.table.ConcatenationTable.set_column]]

```python
set_column(*args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1739)

**المعاملات:**

i (`int`) : فهرس موضع العمود.

field_ (`Union[str, pyarrow.Field]`) : إذا تم تمرير نص، يتم استنتاج النوع من بيانات العمود.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : بيانات العمود.

**يعيد:** `datasets.table.Table`

جدول جديد مع مجموعة الأعمدة المُمرَّرة.

استبدال العمود في الجدول عند الموضع المحدد.

#### rename_columns[[datasets.table.ConcatenationTable.rename_columns]]

```python
rename_columns(names, *args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1758)

إنشاء جدول جديد مع إعادة تسمية الأعمدة إلى الأسماء المُقدَّمة.

#### تحديد[[datasets.table.ConcatenationTable.select]]

```python
select(columns, *args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1792)

**المعاملات:**

columns (`Union[List[str], List[int]]`) : أسماء الأعمدة أو الفهارس الصحيحة التي سيتم اختيارها.

**يعيد:** [datasets.table.Table](/docs/datasets/main/ar/package_reference/table_classes#datasets.table.Table)

جدول جديد بالأعمدة المحددة، مع الحفاظ على البيانات الوصفية.

حدد أعمدة الجدول.

يعيد جدولًا جديدًا بالأعمدة المحددة، مع الحفاظ على البيانات الوصفية.

#### drop[[datasets.table.ConcatenationTable.drop]]

```python
drop(columns, *args, **kwargs)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1771)

**المعاملات:**

columns (`List[str]`) : قائمة بأسماء الحقول التي تشير إلى أعمدة موجودة.

**يعيد:** `datasets.table.Table`

جدول جديد بدون الأعمدة.

**يرفع:** ``KeyError``

- ``KeyError`` -- : إذا لم تكن أي من أسماء الأعمدة المُمررة موجودة.

احذف عمودًا واحدًا أو أكثر وعُد جدولًا جديدًا.

#### from_blocks[[datasets.table.ConcatenationTable.from_blocks]]

```python
from_blocks(blocks: ~TableBlockContainer)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1444)

#### from_tables[[datasets.table.ConcatenationTable.from_tables]]

```python
from_tables(tables: list, axis: int = 0)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1458)

**المعاملات:**

tables (قائمة من `Table` أو قائمة من `pyarrow.Table`) : قائمة من الجداول.

axis (`{0, 1}`، القيمة الافتراضية هي `0`، أي عبر الصفوف) : المحور الذي تتم عليه عملية الدمج، حيث يعني `0` الدمج عبر الصفوف (رأسياً) ويعني `1` الدمج عبر الأعمدة (أفقياً).

أنشئ `ConcatenationTable` من قائمة جداول.

## أدوات[[datasets.table.concat_tables]]

#### datasets.table.concat_tables[[datasets.table.concat_tables]]

```python
datasets.table.concat_tables(tables: list, axis: int = 0)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1812)

**المعاملات:**

tables (قائمة من `Table`) : قائمة الجداول التي سيتم دمجها.

axis (`{0, 1}`، القيمة الافتراضية هي `0`، أي عبر الصفوف) : المحور الذي تتم عليه عملية الدمج، حيث يعني `0` الدمج عبر الصفوف (رأسياً) ويعني `1` الدمج عبر الأعمدة (أفقياً).

**يعيد:** `datasets.table.Table`

إذا كان عدد جداول الإدخال > 1، فإن الجدول المُعاد هو `datasets.table.ConcatenationTable`. وإلا إذا كان هناك جدول واحد فقط، يُعاد كما هو.

دمج الجداول.

#### datasets.table.list_table_cache_files[[datasets.table.list_table_cache_files]]

```python
datasets.table.list_table_cache_files(table: Table)
```

[المصدر](https://github.com/huggingface/datasets/blob/main/src/datasets/table.py#L1835)

**يعيد:** `List[str]`

قائمة بالمسارات إلى ملفات الكاش التي حمّلها الجدول.

احصل على ملفات الكاش التي تُحمّلها الجدول. تُستخدم ملفات الكاش عندما تأتي أجزاء من الجدول من القرص عبر خرائط الذاكرة.