【深度学习】从huggingface上加载数据集到本地并保存为csv文件

场景

想从huggingface上下载yelp数据集，并以csv格式保存到本地。

方法

1. git clone

首先通过git在线下载数据集的相关配置文件，git代理配置参考 链接

终端上执行如下命令：

(1) git clone https://huggingface.co/datasets/yelp_review_full

#后面在windows上报错了，可以尝试如下命令应该就能安装成功
(2) git clone git@hf.co:datasets/yelp_review_full

执行完以上命令行，当前目录会出现如下文件：

2. 加载数据集到本地

from datasets import load_dataset
import datasets
dataset = load_dataset('yelp_review_full',trust_remote_code=True)
dataset.save_to_disk('./yelp') # 将数据集报错到./yelp路径下
dataset=datasets.load_from_disk("./yelp") #加载数据集

运行完以上代码，数据集加载到yelp路径下，以arrow文件格式呈现，具体目录如下

3.保存到csv文件中

因为不是很清楚huggingface相关函数的使用，也没找到合适的方法，因此我以一种比较呆板的方法，就是读取数据集再保存到csv文件中。代码如下

from datasets import load_dataset,load_from_disk
# 下载的数据集名称,
model_name = 'yelp_review_full'
# 数据集保存的路径
train_path = 'dataset/yelp/train'
test_path = 'dataset/yelp/test'

train_data = load_from_disk(train_path)
test_data = load_from_disk(test_path)
train_df = pd.DataFrame(train_data)
test_df = pd.DataFrame(test_data)

# 保存为CSV文件
train_df.to_csv("dataset/yelp/train.csv", index=False)
test_df.to_csv("dataset/yelp/test.csv", index=False)

如果有其他好的加载方式欢迎留言在评论中!

参考文章:
博文1
博文2
博文3