# Tablo Sınıfları

Her `Dataset` nesnesi bir PyArrow Table tarafından desteklenir. Bir Table, diskten (bellek eşlemeli) ya da bellekten yüklenebilir. Birden fazla Table türü mevcuttur ve bunların tümü [table.Table](/docs/datasets/main/tr/package_reference/table_classes#datasets.table.Table) sınıfından türetilmiştir.

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

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

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

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

Bileşim kullanarak bir pyarrow Table sarmalar. Bu, `InMemoryTable`, `MemoryMappedTable` ve `ConcatenationTable` için temel sınıftır.

pyarrow Table sınıfının Table dönüşümleri olan `slice, filter, flatten, combine_chunks, cast, add_column, append_column, remove_column, set_column, rename_columns` ve `drop` hariç olmak üzere tüm temel öznitelik/yöntemlerini uygular.

Bu yöntemlerin uygulaması alt sınıflar için farklılık gösterir.

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

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

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

**Parametreler:**

full (`bool`, varsayılan `False`) : `True` ise pahalı kontrolleri çalıştırır, aksi halde yalnızca ucuz kontrolleri çalıştırır.

**Yükselen:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- doğrulama başarısız olursa

Doğrulama kontrollerini gerçekleştirir. Doğrulama başarısız olursa bir istisna fırlatılır.

Varsayılan olarak yalnızca ucuz doğrulama kontrolleri çalıştırılır. Kapsamlı doğrulama kontrolleri için (potansiyel olarak `O(n)`) `full=True` parametresini iletin.

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

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

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

**Parametreler:**

other ([Tablo](/docs/datasets/main/tr/package_reference/table_classes#datasets.table.Table)) : Karşılaştırılacak tablo.

check_metadata `bool`, varsayılan `False`) : Şema meta verisi eşitliğinin de kontrol edilip edilmeyeceği.

**Dönüş:** `bool`

İki tablonun içeriğinin eşit olup olmadığını kontrol edin.

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

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

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

**Parametreler:**

max_chunksize (`int`, varsayılan `None`) : `RecordBatch` parçaları için maksimum boyut. Bireysel sütunların parça yerleşimine bağlı olarak, parçalar daha küçük olabilir.

**Dönüş:**

`List[pyarrow.RecordBatch]`

Tabloyu (kesintisiz) `RecordBatch` nesneleri listesine dönüştürür.

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

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

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

**Dönüş:** `dict`

Tabloyu `dict` veya `OrderedDict` olarak dönüştürün.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Atamalar için kullanılacak Arrow MemoryPool. Geçirilmezse varsayılan bellek havuzu kullanılır.

strings_to_categorical (`bool`, varsayılan `False`) : Dize (UTF8) ve ikili türleri `pandas.Categorical` olarak kodlar.

categories (`list`, defaults to `empty`) : List of fields that should be returned as `pandas.Categorical`. Only applies to table-like data structures.

zero_copy_only (`bool`, varsayılan `False`) : Bu fonksiyon çağrısı altta yatan verilerin kopyalanmasını gerektiriyorsa bir `ArrowException` fırlatılır.

integer_object_nulls (`bool`, varsayılan `False`) : Null içeren tamsayıları nesnelere dönüştürür.

date_as_object (`bool`, varsayılan `True`) : Tarihleri nesnelere dönüştürür. `False` ise `datetime64[ns]` veri türüne dönüştürülür.

timestamp_as_object (`bool`, varsayılan `False`) : Nanosaniye olmayan zaman damgalarını (`np.datetime64`) nesnelere dönüştürür. Bu, nanosaniye zaman damgalarının normal tarih aralığına (MS 1678-MS 2262) sığmayan zaman damgalarınız varsa faydalıdır. `False` ise, tüm zaman damgaları `datetime64[ns]` veri türüne dönüştürülür.

use_threads (`bool`, varsayılan `True`) : Dönüşümün birden fazla iş parçacığı kullanılarak paralelleştirilip paralelleştirilmeyeceği.

deduplicate_objects (`bool`, varsayılan `False`) : Oluşturulurken Python nesnelerinin birden fazla kopyasını oluşturmayın, böylece bellek kullanımını azaltın. Dönüşüm daha yavaş olacaktır.

ignore_metadata (`bool`, varsayılan `False`) : `True` ise, varsa DataFrame indeksini yeniden oluşturmak için 'pandas' meta verisi kullanılmaz.

safe (`bool`, varsayılan `True`) : Belirli veri türleri için, verilerin bir pandas DataFrame veya Series içinde saklanabilmesi için bir cast (dönüşüm) gereklidir (ör. zaman damgaları pandas'ta her zaman nanosaniye olarak saklanır). Bu seçenek, dönüşümün güvenli olup olmadığını kontrol eder.

split_blocks (`bool`, varsayılan `False`) : `True` ise, `RecordBatch` veya `Table` içinden bir pandas.DataFrame oluşturulurken her sütun için bir iç "blok" oluşturulur. Bu, bellek kullanımını geçici olarak azaltabilir; ancak çeşitli pandas işlemleri "consolidation" (birleştirme) tetikleyebilir ve bu da bellek kullanımını şişirebilir.

self_destruct (`bool`, varsayılan `False`) : DENEYSEL: `True` ise, Arrow nesnesini pandas'a dönüştürürken kaynak Arrow belleğini serbest bırakmayı dener. Bu seçenekle `to_pandas` çağrıldıktan sonra nesneyi kullanırsanız programınız çöker.

types_mapper (`function`, varsayılan olarak `None`) : Bir pyarrow DataType'ini pandas `ExtensionDtype`'ine eşleyen bir işlev. Bu, yerleşik pyarrow türlerinin dönüştürülmesinde varsayılan pandas türünü geçersiz kılmak veya Tablo şemasında `pandas_metadata` bulunmadığında kullanılabilir. İşlev, bir pyarrow DataType alır ve bu tür için varsayılan dönüştürmenin kullanılacağı durumlarda bir pandas `ExtensionDtype` veya `None` döndürmesi beklenir. Bir sözlük eşlemesine sahipseniz, işlev olarak `dict.get` geçebilirsiniz.

**Dönüş:** `pandas.Series` veya `pandas.DataFrame`

Nesnenin türüne bağlı olarak `pandas.Series` veya `pandas.DataFrame`

Duruma uygun olarak, pandas ile uyumlu bir NumPy dizisine veya DataFrame'e dönüştürün.

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

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

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

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak alanın indeksi veya adı.

**Dönüş:**

`pyarrow.Field`

Bir şema alanını sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak sütunun indeksi veya adı.

**Dönüş:**

`pyarrow.ChunkedArray`

Sütunu sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Üretir:**

`pyarrow.ChunkedArray`

Sayısal sıraya göre tüm sütunlar üzerinde iteratör.

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

```python
schema()
```

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

**Dönüş:**

`pyarrow.Schema`

Tablonun ve sütunlarının şeması.

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

```python
columns()
```

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

**Dönüş:**

`List[pa.ChunkedArray]`

Sayısal sıraya göre tüm sütunların listesi.

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

```python
num_columns()
```

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

**Dönüş:**

int

Bu tablodaki sütun sayısı.

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

```python
num_rows()
```

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

**Dönüş:**

int

Bu tablodaki satır sayısı.

Bir tablonun tanımı gereği, tüm sütunların satır sayısı aynıdır.

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

```python
shape()
```

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

**Dönüş:** `(int, int)`

Satır sayısı ve sütun sayısı.

Tablonun boyutları: (#satır, #sütun).

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

```python
nbytes()
```

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

Tablonun öğeleri tarafından tüketilen toplam bayt sayısı.

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

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

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

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

Tablo, kullanıcının RAM'ine yüklendiğinde bellek-içi (in-memory) olarak adlandırılır.

Pickling, bellek kullanarak tüm verileri kopyalar. Uygulaması basittir ve alttaki pyarrow Table yöntemlerini doğrudan kullanır.

Bu, `MemoryMapped` tablosundan farklıdır; bu tabloda pickling işlemi bellekteki tüm verileri kopyalamaz. `MemoryMapped` için unpickling işlemi, tabloyu diskten yeniden yükler.

`InMemoryTable`, veriler belleğe sığıyorsa kullanılmalıdır; `MemoryMapped` ise veriler bellekten büyükse veya uygulamanızın bellek kullanımını düşük tutmak istiyorsanız kullanılır.

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

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

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

**Parametreler:**

full (`bool`, varsayılan `False`) : `True` ise pahalı kontrolleri çalıştırır, aksi halde yalnızca ucuz kontrolleri çalıştırır.

**Yükselen:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- doğrulama başarısız olursa

Doğrulama kontrollerini gerçekleştirir. Doğrulama başarısız olursa bir istisna fırlatılır.

Varsayılan olarak yalnızca ucuz doğrulama kontrolleri çalıştırılır. Kapsamlı doğrulama kontrolleri için (potansiyel olarak `O(n)`) `full=True` parametresini iletin.

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

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

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

**Parametreler:**

other ([Tablo](/docs/datasets/main/tr/package_reference/table_classes#datasets.table.Table)) : Karşılaştırılacak tablo.

check_metadata `bool`, varsayılan `False`) : Şema meta verisi eşitliğinin de kontrol edilip edilmeyeceği.

**Dönüş:** `bool`

İki tablonun içeriğinin eşit olup olmadığını kontrol edin.

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

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

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

**Parametreler:**

max_chunksize (`int`, varsayılan `None`) : `RecordBatch` parçaları için maksimum boyut. Bireysel sütunların parça yerleşimine bağlı olarak, parçalar daha küçük olabilir.

**Dönüş:**

`List[pyarrow.RecordBatch]`

Tabloyu (kesintisiz) `RecordBatch` nesneleri listesine dönüştürür.

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

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

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

**Dönüş:** `dict`

Tabloyu `dict` veya `OrderedDict` olarak dönüştürün.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Atamalar için kullanılacak Arrow MemoryPool. Geçirilmezse varsayılan bellek havuzu kullanılır.

strings_to_categorical (`bool`, varsayılan `False`) : Dize (UTF8) ve ikili türleri `pandas.Categorical` olarak kodlar.

categories (`list`, defaults to `empty`) : List of fields that should be returned as `pandas.Categorical`. Only applies to table-like data structures.

zero_copy_only (`bool`, varsayılan `False`) : Bu fonksiyon çağrısı altta yatan verilerin kopyalanmasını gerektiriyorsa bir `ArrowException` fırlatılır.

integer_object_nulls (`bool`, varsayılan `False`) : Null içeren tamsayıları nesnelere dönüştürür.

date_as_object (`bool`, varsayılan `True`) : Tarihleri nesnelere dönüştürür. `False` ise `datetime64[ns]` veri türüne dönüştürülür.

timestamp_as_object (`bool`, varsayılan `False`) : Nanosaniye olmayan zaman damgalarını (`np.datetime64`) nesnelere dönüştürür. Bu, nanosaniye zaman damgalarının normal tarih aralığına (MS 1678-MS 2262) sığmayan zaman damgalarınız varsa faydalıdır. `False` ise, tüm zaman damgaları `datetime64[ns]` veri türüne dönüştürülür.

use_threads (`bool`, varsayılan `True`) : Dönüşümün birden fazla iş parçacığı kullanılarak paralelleştirilip paralelleştirilmeyeceği.

deduplicate_objects (`bool`, varsayılan `False`) : Oluşturulurken Python nesnelerinin birden fazla kopyasını oluşturmayın, böylece bellek kullanımını azaltın. Dönüşüm daha yavaş olacaktır.

ignore_metadata (`bool`, varsayılan `False`) : `True` ise, varsa DataFrame indeksini yeniden oluşturmak için 'pandas' meta verisi kullanılmaz.

safe (`bool`, varsayılan `True`) : Belirli veri türleri için, verilerin bir pandas DataFrame veya Series içinde saklanabilmesi için bir cast (dönüşüm) gereklidir (ör. zaman damgaları pandas'ta her zaman nanosaniye olarak saklanır). Bu seçenek, dönüşümün güvenli olup olmadığını kontrol eder.

split_blocks (`bool`, varsayılan `False`) : `True` ise, `RecordBatch` veya `Table` içinden bir pandas.DataFrame oluşturulurken her sütun için bir iç "blok" oluşturulur. Bu, bellek kullanımını geçici olarak azaltabilir; ancak çeşitli pandas işlemleri "consolidation" (birleştirme) tetikleyebilir ve bu da bellek kullanımını şişirebilir.

self_destruct (`bool`, varsayılan `False`) : DENEYSEL: `True` ise, Arrow nesnesini pandas'a dönüştürürken kaynak Arrow belleğini serbest bırakmayı dener. Bu seçenekle `to_pandas` çağrıldıktan sonra nesneyi kullanırsanız programınız çöker.

types_mapper (`function`, varsayılan olarak `None`) : Bir pyarrow DataType'ini pandas `ExtensionDtype`'ine eşleyen bir işlev. Bu, yerleşik pyarrow türlerinin dönüştürülmesinde varsayılan pandas türünü geçersiz kılmak veya Tablo şemasında `pandas_metadata` bulunmadığında kullanılabilir. İşlev, bir pyarrow DataType alır ve bu tür için varsayılan dönüştürmenin kullanılacağı durumlarda bir pandas `ExtensionDtype` veya `None` döndürmesi beklenir. Bir sözlük eşlemesine sahipseniz, işlev olarak `dict.get` geçebilirsiniz.

**Dönüş:** `pandas.Series` veya `pandas.DataFrame`

Nesnenin türüne bağlı olarak `pandas.Series` veya `pandas.DataFrame`

Duruma uygun olarak, pandas ile uyumlu bir NumPy dizisine veya DataFrame'e dönüştürün.

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

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

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

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak alanın indeksi veya adı.

**Dönüş:**

`pyarrow.Field`

Bir şema alanını sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak sütunun indeksi veya adı.

**Dönüş:**

`pyarrow.ChunkedArray`

Sütunu sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Üretir:**

`pyarrow.ChunkedArray`

Sayısal sıraya göre tüm sütunlar üzerinde iteratör.

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

```python
schema()
```

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

**Dönüş:**

`pyarrow.Schema`

Tablonun ve sütunlarının şeması.

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

```python
columns()
```

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

**Dönüş:**

`List[pa.ChunkedArray]`

Sayısal sıraya göre tüm sütunların listesi.

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

```python
num_columns()
```

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

**Dönüş:**

int

Bu tablodaki sütun sayısı.

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

```python
num_rows()
```

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

**Dönüş:**

int

Bu tablodaki satır sayısı.

Bir tablonun tanımı gereği, tüm sütunların satır sayısı aynıdır.

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

```python
shape()
```

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

**Dönüş:** `(int, int)`

Satır sayısı ve sütun sayısı.

Tablonun boyutları: (#satır, #sütun).

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

```python
nbytes()
```

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

Tablonun öğeleri tarafından tüketilen toplam bayt sayısı.

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

```python
column_names()
```

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

Tablonun sütun adları.

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

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

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

**Parametreler:**

offset (`int`, varsayılan `0`) : Tablonun başlangıcından dilime olan ofset.

length (`int`, varsayılan `None`) : Dilim uzunluğu (varsayılan olarak, ofsetten başlayarak tablonun sonuna kadar).

**Dönüş:**

`datasets.table.Table`

Bu Tablo'nun sıfır kopyalı dilimini hesaplar.

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

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

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

Bir Tablo'dan kayıtları seçin. Tam kullanım için `pyarrow.compute.filter`'e bakın.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Gerekirse bellek tahsisleri için kullanılır, aksi halde varsayılan havuz kullanılır.

**Dönüş:**

`datasets.table.Table`

Bu Tabloyu Düzleştirin. Yapı (struct) türüne sahip her sütun, yapı alanı başına bir sütun olacak şekilde düzleştirilir. Diğer sütunlar değiştirilmeden bırakılır.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Gerekirse bellek tahsisleri için kullanılır, aksi halde varsayılan havuz kullanılır.

**Dönüş:**

`datasets.table.Table`

Bu tablonun parçalarını birleştirerek yeni bir tablo oluşturun.

Her sütunun `ChunkedArray` içindeki tüm alt parçalar, sıfır veya bir parçaya birleştirilir.

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

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

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

**Parametreler:**

target_schema (`Schema`) : Dönüştürülecek şema, alan adları ve sıralaması eşleşmelidir.

safe (`bool`, varsayılan `True`) : Taşma veya diğer güvensiz dönüşümleri kontrol eder.

**Dönüş:**

`datasets.table.Table`

Tablo değerlerini başka bir şemaya dönüştürün.

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

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

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

**Parametreler:**

metadata (`dict`, varsayılan olarak `None`) --

**Dönüş:** `datasets.table.Table`

shallow_copy

DENEYSEL: Belirtilen yeni metadata (mevcut metadata'yi silmek için `None` olabilir) ile şema anahtar-değer metadata'sını değiştirerek tablonun sığ bir kopyasını oluşturun.

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

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

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

**Parametreler:**

i (`int`) : Sütunun yerleştirileceği indeks.

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Eklenen sütunla birlikte yeni tablo.

Tabloya sütunu konuma ekle.

Yeni bir tablo, eklenen sütunla birlikte döndürülür; orijinal tablo nesnesi değiştirilmeden kalır.

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

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

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

**Parametreler:**

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Eklenen sütunla birlikte yeni tablo.

Sütunların sonuna sütun ekleyin.

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

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

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

**Parametreler:**

i (`int`) : Kaldırılacak sütunun indeksi.

**Dönüş:** `datasets.table.Table`

Sütun olmadan yeni tablo.

Belirtilen sütun kaldırılarak yeni bir Table oluşturur.

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

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

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

**Parametreler:**

i (`int`) : Sütunun yerleştirileceği indeks.

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Geçirilen sütun kümesiyle yeni tablo.

Tabloda konumda sütunu değiştirin.

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

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

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

Sütun adları verilen adlarla değiştirilerek yeni tablo oluşturun.

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

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

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

**Parametreler:**

columns (`Union[List[str], List[int]]`) : Seçilecek sütun adları veya tamsayı indeksleri.

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

Belirtilen sütunlara sahip yeni tablo ve korunan meta veriler.

Tablonun sütunlarını seçin.

Belirtilen sütunlara sahip yeni bir tablo döndürür ve metadata korunur.

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

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

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

**Parametreler:**

columns (`List[str]`) : Mevcut sütunlara atıfta bulunan alan adlarının listesi.

**Dönüş:** `datasets.table.Table`

Sütunlar olmadan yeni tablo.

**Yükselen:** ``KeyError``

- ``KeyError`` -- : Geçirilen sütun adlarından herhangi biri mevcut değilse.

Bir veya daha fazla sütunu kaldırın ve yeni bir tablo döndürün.

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

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

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

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

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

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

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

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

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

**Parametreler:**

df (`pandas.DataFrame`) --

schema (`pyarrow.Schema`, *isteğe bağlı*) : Arrow Tablosu'nun beklenen şeması. Otomatik olarak çıkarılamayan durumlarda sütunların türünü belirtmek için kullanılabilir. Verilirse, çıktı tam olarak bu şemaya sahip olacaktır. Şemada belirtilen ancak DataFrame sütunlarında veya dizininde bulunmayan sütunlar bir hata oluşturur. Şemada belirtilmeyen DataFrame'deki ek sütunlar veya dizin seviyeleri yok sayılır.

preserve_index (`bool`, *isteğe bağlı*) : Sonuçtaki `Table`'de indeksi ek bir sütun olarak saklanıp saklanmayacağını belirtir. Varsayılan değer olan None, indeksi bir sütun olarak saklar; yalnızca RangeIndex, yalnızca metadata olarak saklanır. Sütun olarak saklanmasını zorlamak için `preserve_index=True` kullanın.

nthreads (`int`, varsayılan `None` (sistemdeki CPU sayısına kadar thread kullanabilir)) : 1'den büyükse, belirtilen thread sayısı kullanılarak sütunlar paralel olarak Arrow'a dönüştürülür.

columns (`List[str]`, *isteğe bağlı*) : Dönüştürülecek sütunların listesi. `None` ise tüm sütunlar kullanılır.

safe (`bool`, varsayılan `True`) : Taşma veya diğer güvensiz dönüşümleri kontrol edin,

**Dönüş:** `datasets.table.Table`

pandas.DataFrame'ı bir Arrow Tablosuna dönüştürün.

Sonuçtaki Arrow Tablosundaki sütun türleri, DataFrame içindeki pandas.Series nesnelerinin dtypes değerlerinden çıkarılır. object dışındaki Series durumlarında, NumPy dtype değeri Arrow karşılığına dönüştürülür. `object` durumunda, bu Series içindeki Python nesnelerine bakarak veri türünü tahmin etmemiz gerekir.

`object` veri türündeki Series'lerin, her zaman anlamlı bir Arrow türüne yol açacak kadar bilgi içermediğini unutmayın. Bir tür çıkarılamadığı durumlarda, örneğin DataFrame'in uzunluğu 0 olduğunda veya Series yalnızca `None/nan` nesneleri içerdiğinde, tür null olarak ayarlanır. Bu davranış, açık bir şema oluşturarak ve bunu bu işlevine geçirerek önlenabilir.

Örnekler:
```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)
```

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

**Parametreler:**

arrays (`List[Union[pyarrow.Array, pyarrow.ChunkedArray]]`) : Tabloyu oluşturması gereken eşit uzunluktaki diziler.

names (`List[str]`, *isteğe bağlı*) : Tablo sütunları için adlar. Geçirilmezse, şema (schema) geçirilmelidir.

schema (`Schema`, varsayılan olarak `None`) : Oluşturulan tablo için şema. Geçirilmezse, adlar geçirilmelidir.

metadata (`Union[dict, Mapping]`, varsayılan `None`) : Şema için isteğe bağlı meta veriler (çıkarıldıysa).

**Dönüş:**

`datasets.table.Table`

Arrow dizilerinden bir Tablo oluşturun.

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

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

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

**Parametreler:**

mapping (`Union[dict, Mapping]`) : Dizelerden Array'lere veya Python listelerine giden bir eşleme.

schema (`Schema`, varsayılan olarak `None`) : Geçirilmezse, Mapping değerlerinden çıkarılır

metadata (`Union[dict, Mapping]`, varsayılan `None`) : Şema için isteğe bağlı meta veriler (çıkarıldıysa).

**Dönüş:**

`datasets.table.Table`

Arrow dizileri veya sütunlarından bir Tablo oluşturun.

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

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

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

**Parametreler:**

batches (`Union[Sequence[pyarrow.RecordBatch], Iterator[pyarrow.RecordBatch]]`) : Dönüştürülecek `RecordBatch` dizisi, tüm şemalar eşit olmalıdır.

schema (`Schema`, varsayılan olarak `None`) : Geçirilmezse, ilk `RecordBatch`'ten çıkarılır.

**Dönüş:** `datasets.table.Table`

Bir dizi veya `RecordBatches` iteratöründen bir Tablo oluşturun.

## 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)
```

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

Tablo, kullanıcının RAM'ini kullanmak yerine verileri diskten yüklediğinde bellek eşlemeli (memory mapped) olarak adlandırılır.

Pickling işlemi, veriyi belleğe kopyalamaz. Bunun yerine, yalnızca belleğe eşlenmiş arrow dosyasının yolu ve diskten tabloyu yeniden yüklerken “yeniden oynatılacak” dönüşümler listesi pickled edilir.

Uygulaması, diskten Table yeniden yüklendiğinde "yeniden oynanabilmesi" için altta yatan pyarrow Table'a uygulanan tüm dönüşümlerin geçmişini depolamayı gerektirir.

Bu, `InMemoryTable` tablosundan farklıdır; bu tabloda pickling işlemi bellekteki tüm verileri kopyalar.

`InMemoryTable`, veriler belleğe sığıyorsa kullanılmalıdır; `MemoryMapped` ise veriler bellekten büyükse veya uygulamanızın bellek kullanımını düşük tutmak istiyorsanız kullanılır.

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

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

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

**Parametreler:**

full (`bool`, varsayılan `False`) : `True` ise pahalı kontrolleri çalıştırır, aksi halde yalnızca ucuz kontrolleri çalıştırır.

**Yükselen:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- doğrulama başarısız olursa

Doğrulama kontrollerini gerçekleştirir. Doğrulama başarısız olursa bir istisna fırlatılır.

Varsayılan olarak yalnızca ucuz doğrulama kontrolleri çalıştırılır. Kapsamlı doğrulama kontrolleri için (potansiyel olarak `O(n)`) `full=True` parametresini iletin.

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

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

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

**Parametreler:**

other ([Tablo](/docs/datasets/main/tr/package_reference/table_classes#datasets.table.Table)) : Karşılaştırılacak tablo.

check_metadata `bool`, varsayılan `False`) : Şema meta verisi eşitliğinin de kontrol edilip edilmeyeceği.

**Dönüş:** `bool`

İki tablonun içeriğinin eşit olup olmadığını kontrol edin.

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

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

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

**Parametreler:**

max_chunksize (`int`, varsayılan `None`) : `RecordBatch` parçaları için maksimum boyut. Bireysel sütunların parça yerleşimine bağlı olarak, parçalar daha küçük olabilir.

**Dönüş:**

`List[pyarrow.RecordBatch]`

Tabloyu (kesintisiz) `RecordBatch` nesneleri listesine dönüştürür.

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

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

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

**Dönüş:** `dict`

Tabloyu `dict` veya `OrderedDict` olarak dönüştürün.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Atamalar için kullanılacak Arrow MemoryPool. Geçirilmezse varsayılan bellek havuzu kullanılır.

strings_to_categorical (`bool`, varsayılan `False`) : Dize (UTF8) ve ikili türleri `pandas.Categorical` olarak kodlar.

categories (`list`, defaults to `empty`) : List of fields that should be returned as `pandas.Categorical`. Only applies to table-like data structures.

zero_copy_only (`bool`, varsayılan `False`) : Bu fonksiyon çağrısı altta yatan verilerin kopyalanmasını gerektiriyorsa bir `ArrowException` fırlatılır.

integer_object_nulls (`bool`, varsayılan `False`) : Null içeren tamsayıları nesnelere dönüştürür.

date_as_object (`bool`, varsayılan `True`) : Tarihleri nesnelere dönüştürür. `False` ise `datetime64[ns]` veri türüne dönüştürülür.

timestamp_as_object (`bool`, varsayılan `False`) : Nanosaniye olmayan zaman damgalarını (`np.datetime64`) nesnelere dönüştürür. Bu, nanosaniye zaman damgalarının normal tarih aralığına (MS 1678-MS 2262) sığmayan zaman damgalarınız varsa faydalıdır. `False` ise, tüm zaman damgaları `datetime64[ns]` veri türüne dönüştürülür.

use_threads (`bool`, varsayılan `True`) : Dönüşümün birden fazla iş parçacığı kullanılarak paralelleştirilip paralelleştirilmeyeceği.

deduplicate_objects (`bool`, varsayılan `False`) : Oluşturulurken Python nesnelerinin birden fazla kopyasını oluşturmayın, böylece bellek kullanımını azaltın. Dönüşüm daha yavaş olacaktır.

ignore_metadata (`bool`, varsayılan `False`) : `True` ise, varsa DataFrame indeksini yeniden oluşturmak için 'pandas' meta verisi kullanılmaz.

safe (`bool`, varsayılan `True`) : Belirli veri türleri için, verilerin bir pandas DataFrame veya Series içinde saklanabilmesi için bir cast (dönüşüm) gereklidir (ör. zaman damgaları pandas'ta her zaman nanosaniye olarak saklanır). Bu seçenek, dönüşümün güvenli olup olmadığını kontrol eder.

split_blocks (`bool`, varsayılan `False`) : `True` ise, `RecordBatch` veya `Table` içinden bir pandas.DataFrame oluşturulurken her sütun için bir iç "blok" oluşturulur. Bu, bellek kullanımını geçici olarak azaltabilir; ancak çeşitli pandas işlemleri "consolidation" (birleştirme) tetikleyebilir ve bu da bellek kullanımını şişirebilir.

self_destruct (`bool`, varsayılan `False`) : DENEYSEL: `True` ise, Arrow nesnesini pandas'a dönüştürürken kaynak Arrow belleğini serbest bırakmayı dener. Bu seçenekle `to_pandas` çağrıldıktan sonra nesneyi kullanırsanız programınız çöker.

types_mapper (`function`, varsayılan olarak `None`) : Bir pyarrow DataType'ini pandas `ExtensionDtype`'ine eşleyen bir işlev. Bu, yerleşik pyarrow türlerinin dönüştürülmesinde varsayılan pandas türünü geçersiz kılmak veya Tablo şemasında `pandas_metadata` bulunmadığında kullanılabilir. İşlev, bir pyarrow DataType alır ve bu tür için varsayılan dönüştürmenin kullanılacağı durumlarda bir pandas `ExtensionDtype` veya `None` döndürmesi beklenir. Bir sözlük eşlemesine sahipseniz, işlev olarak `dict.get` geçebilirsiniz.

**Dönüş:** `pandas.Series` veya `pandas.DataFrame`

Nesnenin türüne bağlı olarak `pandas.Series` veya `pandas.DataFrame`

Duruma uygun olarak, pandas ile uyumlu bir NumPy dizisine veya DataFrame'e dönüştürün.

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

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

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

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak alanın indeksi veya adı.

**Dönüş:**

`pyarrow.Field`

Bir şema alanını sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak sütunun indeksi veya adı.

**Dönüş:**

`pyarrow.ChunkedArray`

Sütunu sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Üretir:**

`pyarrow.ChunkedArray`

Sayısal sıraya göre tüm sütunlar üzerinde iteratör.

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

```python
schema()
```

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

**Dönüş:**

`pyarrow.Schema`

Tablonun ve sütunlarının şeması.

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

```python
columns()
```

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

**Dönüş:**

`List[pa.ChunkedArray]`

Sayısal sıraya göre tüm sütunların listesi.

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

```python
num_columns()
```

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

**Dönüş:**

int

Bu tablodaki sütun sayısı.

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

```python
num_rows()
```

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

**Dönüş:**

int

Bu tablodaki satır sayısı.

Bir tablonun tanımı gereği, tüm sütunların satır sayısı aynıdır.

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

```python
shape()
```

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

**Dönüş:** `(int, int)`

Satır sayısı ve sütun sayısı.

Tablonun boyutları: (#satır, #sütun).

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

```python
nbytes()
```

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

Tablonun öğeleri tarafından tüketilen toplam bayt sayısı.

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

```python
column_names()
```

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

Tablonun sütun adları.

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

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

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

**Parametreler:**

offset (`int`, varsayılan `0`) : Tablonun başlangıcından dilime olan ofset.

length (`int`, varsayılan `None`) : Dilim uzunluğu (varsayılan olarak, ofsetten başlayarak tablonun sonuna kadar).

**Dönüş:**

`datasets.table.Table`

Bu Tablo'nun sıfır kopyalı dilimini hesaplar.

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

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

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

Bir Tablo'dan kayıtları seçin. Tam kullanım için `pyarrow.compute.filter`'e bakın.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Gerekirse bellek tahsisleri için kullanılır, aksi halde varsayılan havuz kullanılır.

**Dönüş:**

`datasets.table.Table`

Bu Tabloyu Düzleştirin. Yapı (struct) türüne sahip her sütun, yapı alanı başına bir sütun olacak şekilde düzleştirilir. Diğer sütunlar değiştirilmeden bırakılır.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Gerekirse bellek tahsisleri için kullanılır, aksi halde varsayılan havuz kullanılır.

**Dönüş:**

`datasets.table.Table`

Bu tablonun parçalarını birleştirerek yeni bir tablo oluşturun.

Her sütunun ChunkedArray'sindeki tüm alt parçalar, sıfır veya bir parçaya birleştirilir.

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

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

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

**Parametreler:**

target_schema (`Schema`) : Dönüştürülecek şema, alan adları ve sıralaması eşleşmelidir.

safe (`bool`, varsayılan `True`) : Taşma veya diğer güvensiz dönüşümleri kontrol eder.

**Dönüş:**

`datasets.table.Table`

Tablo değerlerini başka bir şemaya dönüştürün

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

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

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

**Parametreler:**

metadata (`dict`, varsayılan olarak `None`) --

**Dönüş:** `datasets.table.Table`

shallow_copy

DENEYSEL: Belirtilen yeni metadata (None olabilir, bu durumda mevcut metadata silinir) ile şema anahtar-değer metadata'sını değiştirerek tablonun sığ bir kopyasını oluşturur.

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

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

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

**Parametreler:**

i (`int`) : Sütunun yerleştirileceği indeks.

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Eklenen sütunla birlikte yeni tablo.

Tabloya sütunu konuma ekle.

Yeni bir tablo, eklenen sütunla birlikte döndürülür; orijinal tablo nesnesi değiştirilmeden kalır.

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

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

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

**Parametreler:**

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Eklenen sütunla birlikte yeni tablo.

Sütunların sonuna sütun ekleyin.

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

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

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

**Parametreler:**

i (`int`) : Kaldırılacak sütunun indeksi.

**Dönüş:** `datasets.table.Table`

Sütun olmadan yeni tablo.

Belirtilen sütun kaldırılarak yeni bir Table oluşturur.

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

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

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

**Parametreler:**

i (`int`) : Sütunun yerleştirileceği indeks.

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Geçirilen sütun kümesiyle yeni tablo.

Tabloda konumda sütunu değiştirin.

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

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

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

Sütun adları verilen adlarla değiştirilerek yeni tablo oluşturun.

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

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

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

**Parametreler:**

columns (`Union[List[str], List[int]]`) : Seçilecek sütun adları veya tamsayı indeksleri.

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

Belirtilen sütunlara sahip yeni tablo ve korunan meta veriler.

Tablonun sütunlarını seçin.

Belirtilen sütunlara sahip yeni bir tablo döndürür ve metadata korunur.

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

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

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

**Parametreler:**

columns (`List[str]`) : Mevcut sütunlara atıfta bulunan alan adlarının listesi.

**Dönüş:** `datasets.table.Table`

Sütunlar olmadan yeni tablo.

**Yükselen:** ``KeyError``

- ``KeyError`` -- : Geçirilen sütun adlarından herhangi biri mevcut değilse.

Bir veya daha fazla sütunu kaldırın ve yeni bir tablo döndürün.

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

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

[Kaynak](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)
```

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

Tablo, bloklar olarak adlandırılan birkaç tablonun birleştirilmesinden (concatenation) oluşur. Hem eksen 0 (satır ekleme) hem de eksen 1 (sütun ekleme) üzerinde birleştirme yapılmasını sağlar.

Altta yatan tablolar "bloklar" olarak adlandırılır ve `InMemoryTable` veya `MemoryMappedTable` nesneleri olabilir. Bu, bellekten gelen veya belleğe eşlenmiş tabloların birleştirilmesine olanak tanır. Bir `ConcatenationTable` pickled olduğunda, her blok pickled edilir:
- `InMemoryTable` nesneleri, bellekteki tüm verilerin kopyalanması yoluyla pickled edilir.
- MemoryMappedTable nesneleri, veri belleğe kopyalanmadan pickled edilir.
Bunun yerine, diskten tabloyu yeniden yüklerken "yeniden oynatılacak" dönüşümlerin listesiyle birlikte, yalnızca belleğe eşlenmiş arrow dosyasının yolu pickled edilir.

Uygulaması, her bloğun ayrı ayrı saklanmasını gerektirir. `blocks` özniteliği, blokların listelerinin listesini saklar. Birinci eksen, tabloları 0. eksen boyunca birleştirir (satırları ekler), ikinci eksen ise tabloları 1. eksen boyunca birleştirir (sütunları ekler).

Eksen 0 üzerinde birleştirme sırasında bazı sütunlar eksikse, bu sütunlar null değerlerle doldurulur. Bu işlem `pyarrow.concat_tables(tables, promote=True)` kullanılarak yapılır.

`ConcatenationTable.table` özniteliğine erişerek birleştirilmiş tabloya, `ConcatenationTable.blocks` özniteliğine erişerek de bloklara erişebilirsiniz.

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

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

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

**Parametreler:**

full (`bool`, varsayılan `False`) : `True` ise pahalı kontrolleri çalıştırır, aksi halde yalnızca ucuz kontrolleri çalıştırır.

**Yükselen:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- doğrulama başarısız olursa

Doğrulama kontrollerini gerçekleştirir. Doğrulama başarısız olursa bir istisna fırlatılır.

Varsayılan olarak yalnızca ucuz doğrulama kontrolleri çalıştırılır. Kapsamlı doğrulama kontrolleri için (potansiyel olarak `O(n)`) `full=True` parametresini iletin.

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

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

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

**Parametreler:**

other ([Tablo](/docs/datasets/main/tr/package_reference/table_classes#datasets.table.Table)) : Karşılaştırılacak tablo.

check_metadata `bool`, varsayılan `False`) : Şema meta verisi eşitliğinin de kontrol edilip edilmeyeceği.

**Dönüş:** `bool`

İki tablonun içeriğinin eşit olup olmadığını kontrol edin.

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

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

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

**Parametreler:**

max_chunksize (`int`, varsayılan `None`) : `RecordBatch` parçaları için maksimum boyut. Bireysel sütunların parça yerleşimine bağlı olarak, parçalar daha küçük olabilir.

**Dönüş:**

`List[pyarrow.RecordBatch]`

Tabloyu (kesintisiz) `RecordBatch` nesneleri listesine dönüştürür.

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

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

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

**Dönüş:** `dict`

Tabloyu `dict` veya `OrderedDict` olarak dönüştürün.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Atamalar için kullanılacak Arrow MemoryPool. Geçirilmezse varsayılan bellek havuzu kullanılır.

strings_to_categorical (`bool`, varsayılan `False`) : Dize (UTF8) ve ikili türleri `pandas.Categorical` olarak kodlar.

categories (`list`, defaults to `empty`) : List of fields that should be returned as `pandas.Categorical`. Only applies to table-like data structures.

zero_copy_only (`bool`, varsayılan `False`) : Bu fonksiyon çağrısı altta yatan verilerin kopyalanmasını gerektiriyorsa bir `ArrowException` fırlatılır.

integer_object_nulls (`bool`, varsayılan `False`) : Null içeren tamsayıları nesnelere dönüştürür.

date_as_object (`bool`, varsayılan `True`) : Tarihleri nesnelere dönüştürür. `False` ise `datetime64[ns]` veri türüne dönüştürülür.

timestamp_as_object (`bool`, varsayılan `False`) : Nanosaniye olmayan zaman damgalarını (`np.datetime64`) nesnelere dönüştürür. Bu, nanosaniye zaman damgalarının normal tarih aralığına (MS 1678-MS 2262) sığmayan zaman damgalarınız varsa faydalıdır. `False` ise, tüm zaman damgaları `datetime64[ns]` veri türüne dönüştürülür.

use_threads (`bool`, varsayılan `True`) : Dönüşümün birden fazla iş parçacığı kullanılarak paralelleştirilip paralelleştirilmeyeceği.

deduplicate_objects (`bool`, varsayılan `False`) : Oluşturulurken Python nesnelerinin birden fazla kopyasını oluşturmayın, böylece bellek kullanımını azaltın. Dönüşüm daha yavaş olacaktır.

ignore_metadata (`bool`, varsayılan `False`) : `True` ise, varsa DataFrame indeksini yeniden oluşturmak için 'pandas' meta verisi kullanılmaz.

safe (`bool`, varsayılan `True`) : Belirli veri türleri için, verilerin bir pandas DataFrame veya Series içinde saklanabilmesi için bir cast (dönüşüm) gereklidir (ör. zaman damgaları pandas'ta her zaman nanosaniye olarak saklanır). Bu seçenek, dönüşümün güvenli olup olmadığını kontrol eder.

split_blocks (`bool`, varsayılan `False`) : `True` ise, `RecordBatch` veya `Table` içinden bir pandas.DataFrame oluşturulurken her sütun için bir iç "blok" oluşturulur. Bu, bellek kullanımını geçici olarak azaltabilir; ancak çeşitli pandas işlemleri "consolidation" (birleştirme) tetikleyebilir ve bu da bellek kullanımını şişirebilir.

self_destruct (`bool`, varsayılan `False`) : DENEYSEL: `True` ise, Arrow nesnesini pandas'a dönüştürürken kaynak Arrow belleğini serbest bırakmayı dener. Bu seçenekle `to_pandas` çağrıldıktan sonra nesneyi kullanırsanız programınız çöker.

types_mapper (`function`, varsayılan olarak `None`) : Bir pyarrow DataType'ini pandas `ExtensionDtype`'ine eşleyen bir işlev. Bu, yerleşik pyarrow türlerinin dönüştürülmesinde varsayılan pandas türünü geçersiz kılmak veya Tablo şemasında `pandas_metadata` bulunmadığında kullanılabilir. İşlev, bir pyarrow DataType alır ve bu tür için varsayılan dönüştürmenin kullanılacağı durumlarda bir pandas `ExtensionDtype` veya `None` döndürmesi beklenir. Bir sözlük eşlemesine sahipseniz, işlev olarak `dict.get` geçebilirsiniz.

**Dönüş:** `pandas.Series` veya `pandas.DataFrame`

Nesnenin türüne bağlı olarak `pandas.Series` veya `pandas.DataFrame`

Duruma uygun olarak, pandas ile uyumlu bir NumPy dizisine veya DataFrame'e dönüştürün.

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

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

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

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak alanın indeksi veya adı.

**Dönüş:**

`pyarrow.Field`

Bir şema alanını sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Parametreler:**

i (`Union[int, str]`) : Alınacak sütunun indeksi veya adı.

**Dönüş:**

`pyarrow.ChunkedArray`

Sütunu sütun adıyla veya sayısal indeksiyle seçin.

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

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

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

**Üretir:**

`pyarrow.ChunkedArray`

Sayısal sıraya göre tüm sütunlar üzerinde iteratör.

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

```python
schema()
```

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

**Dönüş:**

`pyarrow.Schema`

Tablonun ve sütunlarının şeması.

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

```python
columns()
```

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

**Dönüş:**

`List[pa.ChunkedArray]`

Sayısal sıraya göre tüm sütunların listesi.

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

```python
num_columns()
```

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

**Dönüş:**

int

Bu tablodaki sütun sayısı.

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

```python
num_rows()
```

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

**Dönüş:**

int

Bu tablodaki satır sayısı.

Bir tablonun tanımı gereği, tüm sütunların satır sayısı aynıdır.

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

```python
shape()
```

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

**Dönüş:** `(int, int)`

Satır sayısı ve sütun sayısı.

Tablonun boyutları: (#satır, #sütun).

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

```python
nbytes()
```

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

Tablonun öğeleri tarafından tüketilen toplam bayt sayısı.

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

```python
column_names()
```

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

Tablonun sütun adları.

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

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

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

**Parametreler:**

offset (`int`, varsayılan `0`) : Tablonun başlangıcından dilime olan ofset.

length (`int`, varsayılan `None`) : Dilim uzunluğu (varsayılan olarak, ofsetten başlayarak tablonun sonuna kadar).

**Dönüş:**

`datasets.table.Table`

Bu Tablo'nun sıfır kopyalı dilimini hesaplar.

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

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

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

Bir Tablo'dan kayıtları seçin. Tam kullanım için `pyarrow.compute.filter`'e bakın.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Gerekirse bellek tahsisleri için kullanılır, aksi halde varsayılan havuz kullanılır.

**Dönüş:**

`datasets.table.Table`

Bu Tabloyu Düzleştirin. Yapı (struct) türüne sahip her sütun, yapı alanı başına bir sütun olacak şekilde düzleştirilir. Diğer sütunlar değiştirilmeden bırakılır.

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

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

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

**Parametreler:**

memory_pool (`MemoryPool`, varsayılan olarak `None`) : Gerekirse bellek tahsisleri için kullanılır, aksi halde varsayılan havuz kullanılır.

**Dönüş:**

`datasets.table.Table`

Bu tablonun parçalarını birleştirerek yeni bir tablo oluşturun.

Her sütunun `ChunkedArray` içindeki tüm alt parçalar, sıfır veya bir parçaya birleştirilir.

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

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

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

**Parametreler:**

target_schema (`Schema`) : Dönüştürülecek şema, alan adları ve sıralaması eşleşmelidir.

safe (`bool`, varsayılan `True`) : Taşma veya diğer güvensiz dönüşümleri kontrol eder.

**Dönüş:**

`datasets.table.Table`

Tablo değerlerini başka bir şemaya dönüştürün.

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

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

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

**Parametreler:**

metadata (`dict`, varsayılan olarak `None`) --

**Dönüş:** `datasets.table.Table`

shallow_copy

DENEYSEL: Belirtilen yeni metadata (mevcut metadata'yi silmek için `None` olabilir) ile şema anahtar-değer metadata'sını değiştirerek tablonun sığ bir kopyasını oluşturun.

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

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

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

**Parametreler:**

i (`int`) : Sütunun yerleştirileceği indeks.

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Eklenen sütunla birlikte yeni tablo.

Tabloya sütunu konuma ekle.

Yeni bir tablo, eklenen sütunla birlikte döndürülür; orijinal tablo nesnesi değiştirilmeden kalır.

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

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

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

**Parametreler:**

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Eklenen sütunla birlikte yeni tablo.

Sütunların sonuna sütun ekleyin.

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

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

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

**Parametreler:**

i (`int`) : Kaldırılacak sütunun indeksi.

**Dönüş:** `datasets.table.Table`

Sütun olmadan yeni tablo.

Belirtilen sütun kaldırılarak yeni bir Table oluşturur.

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

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

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

**Parametreler:**

i (`int`) : Sütunun yerleştirileceği indeks.

field_ (`Union[str, pyarrow.Field]`) : Bir dize geçirilirse, tür sütun verisinden çıkarılır.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Sütun verisi.

**Dönüş:** `datasets.table.Table`

Geçirilen sütun kümesiyle yeni tablo.

Tabloda konumda sütunu değiştirin.

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

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

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

Sütun adları verilen adlarla değiştirilerek yeni tablo oluşturun.

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

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

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

**Parametreler:**

columns (`Union[List[str], List[int]]`) : Seçilecek sütun adları veya tamsayı indeksleri.

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

Belirtilen sütunlara sahip yeni tablo ve korunan meta veriler.

Tablonun sütunlarını seçin.

Belirtilen sütunlara sahip yeni bir tablo döndürür ve metadata korunur.

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

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

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

**Parametreler:**

columns (`List[str]`) : Mevcut sütunlara atıfta bulunan alan adlarının listesi.

**Dönüş:** `datasets.table.Table`

Sütunlar olmadan yeni tablo.

**Yükselen:** ``KeyError``

- ``KeyError`` -- : Geçirilen sütun adlarından herhangi biri mevcut değilse.

Bir veya daha fazla sütunu kaldırın ve yeni bir tablo döndürün.

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

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

[Kaynak](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)
```

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

**Parametreler:**

tables (`Table` listesi veya `pyarrow.Table` listesi) : Tabloların listesi.

axis (`{0, 1}`, varsayılan olarak `0`, yani satırlar üzerinde) : Birleştirilecek eksen, burada `0` satırlar üzerinde (dikey) birleştirmeyi, `1` ise sütunlar üzerinde (yatay) birleştirmeyi ifade eder.

Tablo listesinden `ConcatenationTable` oluşturun.

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

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

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

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

**Parametreler:**

tables (`Table` listesi): Birleştirilecek tabloların listesi.

axis (`{0, 1}`, varsayılan olarak `0`, yani satırlar üzerinde) : Birleştirilecek eksen, burada `0` satırlar üzerinde (dikey) birleştirmeyi, `1` ise sütunlar üzerinde (yatay) birleştirmeyi ifade eder.

**Dönüş:** `datasets.table.Table`

Girdi tablosu sayısı > 1 ise, döndürülen tablo bir `datasets.table.ConcatenationTable`'dir. Aksi halde, yalnızca bir tablo varsa olduğu gibi döndürülür.

Tabloları birleştirin.

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

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

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

**Dönüş:** `List[str]`

Tablo tarafından yüklenen önbellek dosyalarının yollarının listesi.

Tablo tarafından yüklenen önbellek dosyalarını alın. Tablonun disk üzerinden bellek eşlemesi yoluyla geldiği durumlarda önbellek dosyaları kullanılır.