与 PyArrow 配合使用

本文档简要介绍了如何使用 datasets 与 PyArrow 配合工作，重点说明如何使用 Arrow 计算函数处理数据集，以及如何在数据集与 PyArrow 之间进行转换。

这一点尤其有用，因为 datasets 底层使用 PyArrow，从而支持快速的零拷贝操作。

数据集格式

默认情况下，数据集返回的是普通的 Python 对象：整数、浮点数、字符串、列表等。

若要获取 PyArrow 表或数组，可以使用 Dataset.with_format() 将数据集的格式设置为 pyarrow：

>>> from datasets import Dataset
>>> data = {"col_0": ["a", "b", "c", "d"], "col_1": [0., 0., 1., 1.]}
>>> ds = Dataset.from_dict(data)
>>> ds = ds.with_format("arrow")
>>> ds[0]       # pa.Table
pyarrow.Table
col_0: string
col_1: double
----
col_0: [["a"]]
col_1: [[0]]
>>> ds[:2]      # pa.Table
pyarrow.Table
col_0: string
col_1: double
----
col_0: [["a","b"]]
col_1: [[0,0]]
>>> ds["data"]  # pa.array
<pyarrow.lib.ChunkedArray object at 0x1394312a0>
[
  [
    "a",
    "b",
    "c",
    "d"
  ]
]

对于例如使用 load_dataset(..., streaming=True) 获取的 IterableDataset 对象，此方法同样适用：

>>> ds = ds.with_format("arrow")
>>> for table in ds.iter(batch_size=2):
...     print(table)
...     break
pyarrow.Table
col_0: string
col_1: double
----
col_0: [["a","b"]]
col_1: [[0,0]]

处理数据

PyArrow 函数通常比常规手写 Python 函数更快，因此是优化数据处理的理想选择。您可以在 Dataset.map() 或 Dataset.filter() 中使用 Arrow 计算函数来处理数据集：

>>> import pyarrow.compute as pc
>>> from datasets import Dataset
>>> data = {"col_0": ["a", "b", "c", "d"], "col_1": [0., 0., 1., 1.]}
>>> ds = Dataset.from_dict(data)
>>> ds = ds.with_format("arrow")
>>> ds = ds.map(lambda t: t.append_column("col_2", pc.add(t["col_1"], 1)), batched=True)
>>> ds[:2]
pyarrow.Table
col_0: string
col_1: double
col_2: double
----
col_0: [["a","b"]]
col_1: [[0,0]]
col_2: [[1,1]]
>>> ds = ds.filter(lambda t: pc.equal(t["col_0"], "b"), batched=True)
>>> ds[0]
pyarrow.Table
col_0: string
col_1: double
col_2: double
----
col_0: [["b"]]
col_1: [[0]]
col_2: [[1]]

我们使用 batched=True，因为在 PyArrow 中按批次处理数据比逐行处理更快。也可以在 map() 中使用 batch_size= 来设置每个 table 的大小。

这对 IterableDataset.map() 和 IterableDataset.filter() 同样适用。

从 PyArrow 导入或导出

Dataset 是 PyArrow Table 的封装，您可以直接从 Table 实例化一个 Dataset：

ds = Dataset(table)

您可以通过 Dataset.data 访问数据集的 PyArrow Table，根据 Arrow 数据的来源以及所执行的操作，它会返回 MemoryMappedTable、InMemoryTable 或 ConcatenationTable。

这些对象封装了位于 Dataset.data.table 处的底层 PyArrow 表。该表包含数据集的所有数据，但可能还存在一个位于 Dataset._indices 的索引映射，它将数据集的行索引映射到 PyArrow 表的行索引。如果数据集已通过 Dataset.shuffle() 进行洗牌，或者仅使用了部分行（例如在 Dataset.select() 之后），就可能出现这种情况。

在一般情况下，您可以使用 table = ds.with_format("arrow")[:] 将数据集导出为 PyArrow Table。

Update on GitHub

Datasets

与 PyArrow 配合使用

数据集格式

处理数据

从 PyArrow 导入或导出