Hugging Face Datasets

Trabalhando com Hugging Face

Jacob H. Marquez

Lead Data Engineer

Conjunto de dados do HF 1

¹ https://huggingface.co/datasets

Conjunto de dados do HF 2

¹ https://huggingface.co/datasets

Instalando o pacote Datasets

pip install datasets

🌐 Acessar
📥 Baixar
🔧 Usar
🤝 Compartilhar

Conjunto de dados do HF

¹ https://huggingface.co/docs/datasets/loading

Baixando um dataset

from datasets import load_dataset

data = load_dataset("IVN-RIN/BioBERT_Italian")

Parâmetro split

data = load_dataset("IVN-RIN/BioBERT_Italian", split="train")

¹ https://huggingface.co/docs/datasets/v2.15.0/loading

Formatos de dataset Apache Arrow

Conjunto de dados Apache Arrow

¹ https://arrow.apache.org/overview/

Manipulação de dados

data = load_dataset("IVN-RIN/BioBERT_Italian", split="train")


# Filtrar pelo padrão " bella "
filtered = data.filter(lambda row: " bella " in row['text'])
print(filtered)

Dataset({
    features: ['text'],
    num_rows: 1122
})

¹ https://huggingface.co/docs/datasets/process#select-and-filter

Manipulação de dados

# Selecionar as duas primeiras linhas
sliced = filtered.select(range(2))


print(sliced)

Dataset({features: ['text'], num_rows: 2})

# Extrair o 'text' da primeira linha
print(sliced[0]['text'])

Concentrazioni atmosferiche di PCDD/PCDF...

¹ https://huggingface.co/docs/datasets/process#select-and-filter

Vamos praticar!

Trabalhando com Hugging Face