与 Spark 配合使用

本文档简要介绍了如何使用 🤗 Datasets 与 Spark，重点说明如何将 Spark DataFrame 加载到 Dataset 对象中。

从那里开始，您可以快速访问任何元素，并将其用作数据加载器来训练模型。

从 Spark 加载

Dataset 对象是 Arrow 表的封装，它允许从数据集中的数组快速读取到 PyTorch、TensorFlow 和 JAX 张量。 Arrow 表通过内存映射从磁盘加载，因此可以加载比可用 RAM 更大的数据集。

您可以使用 Dataset.from_spark() 从 Spark DataFrame 获取 Dataset：

>>> from datasets import Dataset
>>> df = spark.createDataFrame(
...     data=[[1, "Elia"], [2, "Teo"], [3, "Fang"]],
...     columns=["id", "name"],
... )
>>> ds = Dataset.from_spark(df)

Spark 工作节点会将数据集以 Arrow 文件的形式写入磁盘上的缓存目录，然后从该位置加载 Dataset。

或者，您可以使用 IterableDataset.from_spark() 来跳过实体化，它会返回一个 IterableDataset：

>>> from datasets import IterableDataset
>>> df = spark.createDataFrame(
...     data=[[1, "Elia"], [2, "Teo"], [3, "Fang"]],
...     columns=["id", "name"],
... )
>>> ds = IterableDataset.from_spark(df)
>>> print(next(iter(ds)))
{"id": 1, "name": "Elia"}

缓存

使用 Dataset.from_spark() 时，生成的 Dataset 会被缓存；如果对同一个 DataFrame 多次调用 Dataset.from_spark()，不会重新运行将数据集作为 Arrow 文件写入磁盘的 Spark 作业。

您可以通过向 Dataset.from_spark() 传递 cache_dir= 来设置缓存位置。请确保使用对您的工作节点和当前机器（即 driver）均可访问的磁盘。

在另一个会话中，Spark DataFrame 不会具有相同的语义哈希，因此它会重新运行 Spark 作业并将其存储在新的缓存中。

特征类型

如果您的数据集由图像、音频数据或 N 维数组组成，您可以在 Dataset.from_spark()（或 IterableDataset.from_spark()）中指定 features= 参数：

>>> from datasets import Dataset, Features, Image, Value
>>> data = [(0, open("image.png", "rb").read())]
>>> df = spark.createDataFrame(data, "idx: int, image: binary")
>>> # Also works if you have arrays
>>> # data = [(0, np.zeros(shape=(32, 32, 3), dtype=np.int32).tolist())]
>>> # df = spark.createDataFrame(data, "idx: int, image: array<array<array<int>>>")
>>> features = Features({"idx": Value("int64"), "image": Image()})
>>> dataset = Dataset.from_spark(df, features=features)
>>> dataset[0]
{'idx': 0, 'image': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=32x32>}

您可以查阅 Features 文档，了解所有可用的特征类型。

Update on GitHub