python huggingface中load_dataset的文本文件如何启用header？

8yparm6h 于 2023-06-04 发布在 Python

关注(0)|答案(3)|浏览(173)

from datasets import load_dataset
dataset = load_dataset('text', data_files='my_file.txt')

这个文本文件已经包含了头文件，我该如何向模块表明这一点（比如说，header = True，在pandas read_csv()的情况下）？
还有，我怎么说它是制表符/逗号分隔的呢？
有没有一种方法可以用表格的形式来表示这些数据？

3条答案

这是一个老问题，但对于新人来说：
读取tsv文件：

from datasets import load_dataset

dataset = load_dataset("csv", 'path/to/your/file.tsv', delimiter='\t')

默认情况下，它将从第一行推断列名。
如果您的文件没有标题行，而您要指定列名，请使用

column_names = ['col1', 'col2', 'col3']
dataset = load_dataset("csv", 'path/to/your/file.tsv', delimiter='\t', column_names=column_names)

参见文档：https://huggingface.co/docs/datasets/v2.12.0/en/package_reference/loading_methods#datasets.packaged_modules.csv.CsvConfig

它们使用pandas.read_csv（），您可以通过load_dataset传递参数：

from datasets import load_dataset

a = load_dataset("csv", data_files="bla.tsv", sep="\t")

您可以通过pandas读取它，然后转换为数据集：

from datasets import Dataset
  import pandas as pd

  df = pd.read_table(path)
  ds = Dataset.from_pandas(df)