與 PyArrow 搭配使用

本文件簡要介紹如何將 datasets 與 PyArrow 搭配使用，特別著重於如何利用 Arrow 計算函數處理資料集，以及如何在資料集與 PyArrow 之間進行轉換。

這特別實用，因為 datasets 底層使用 PyArrow，這能實現快速的零拷貝（zero-copy）操作。

資料集格式

預設情況下，資料集會傳回一般的 Python 物件：整數、浮點數、字串、串列等。

若要取得 PyArrow Table 或 Array，您可以使用 Dataset.with_format() 將資料集格式設定為 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"
  ]
]

此方法也適用於透過 load_dataset(..., streaming=True) 等方式取得的 IterableDataset 物件。

>>> 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]]

處理資料

PyArrow 函數通常比一般的 Python 自定義函數更快，因此它們是優化資料處理的絕佳選擇。您可以在 Dataset.map() 或 Dataset.filter() 中使用 Arrow 計算函數來處理資料集。

>>> 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]]

我們使用 batched=True，因為在 PyArrow 中處理批次資料比逐列處理更快。您也可以在 map() 中使用 batch_size= 來設定每個 table 的大小。

這同樣適用於 IterableDataset.map() 與 IterableDataset.filter()。

從 PyArrow 匯入或匯出

Dataset 是 PyArrow Table 的封裝，您可以直接從 Table 實例化一個 Dataset。

ds = Dataset(table)

您可以使用 Dataset.data 來存取資料集的 PyArrow Table。根據 Arrow 資料的來源以及所套用的操作，它會回傳 MemoryMappedTable、InMemoryTable 或 ConcatenationTable。

這些物件封裝了底層的 PyArrow Table，可透過 Dataset.data.table 存取。此 Table 包含了資料集的所有資料，但也可能在 Dataset._indices 存在索引映射，用於將資料集列索引對應到 PyArrow Table 列索引。若資料集經過 Dataset.shuffle() 重新洗牌，或僅使用了資料子集（例如經過 Dataset.select()），就可能會發生這種情況。

在一般情況下，您可以使用 table = ds.with_format("arrow")[:] 將資料集匯出為 PyArrow Table。

在 GitHub 上更新

資料集 (Datasets)

與 PyArrow 搭配使用

資料集格式

處理資料

從 PyArrow 匯入或匯出