【专辑】AI大模型应用开发入门-拥抱Hugging Face与Transformers生态 - 使用datasets库加载Huggingface数据集

java1234_小锋2026-01-26 17:37

大家好，我是java1234_小锋老师，最近更新《AI大模型应用开发入门-拥抱Hugging Face与Transformers生态》专辑，感谢大家支持。

本课程主要介绍和讲解Hugging Face和Transformers，包括加载预训练模型，自定义数据集，模型推理，模型微调，模型性能评估等。是AI大模型应用开发的入门必备知识。

使用datasets库加载Huggingface数据集

Huggingface以及魔塔社区提供了很多数据集，我们可以使用这些数据集来训练和微调模型。

我们首先要安装下datasets库。

复制代码

pip install datasets -i http://mirrors.aliyun.com/pypi/simple/   --trusted-host mirrors.aliyun.com

IMDb 数据集包含电影评论和相应的情感标签（正面或负面）。这个数据集非常适合情感分析和舆情分析的任务。

复制代码

https://huggingface.co/datasets/stanfordnlp/imdb

我们用里面的测试集和训练集文件。

Parquet是一种‌列式存储文件格式‌，专为高效存储和处理大规模数据设计，广泛应用于大数据生态系统（如Spark、Hadoop）。其核心特点包括：

1‌，高效压缩‌：通过列式存储实现高压缩比（如Snappy、Gzip编码），显著减少磁盘空间占用。‌‌‌

2，查询优化‌：支持映射下推（仅读取所需列）和谓词下推（过滤无效数据），提升查询性能。‌‌ ‌3，嵌套数据支持‌：原生处理复杂嵌套结构（如JSON、Map），无需扁平化存储。‌‌

我们可以通过datasets库的load_dataset()方法来加载数据集。

测试代码：

复制代码

from datasets import load_dataset

# 加载 IMDb 数据集
dataset = load_dataset(path="./imdb")

train = dataset['train']  # 获取训练集
test = dataset['test']  # 获取测试集
print(train, type(train))
print(train[0], type(train[0]))  # 每个元素是一个字典
print(train[0]['label'], train[0]['text'])
print(test, type(test))

# 遍历数据集
for i in train:
    print(i)

运行输出：

微博评论csv下载

复制代码

https://www.modelscope.cn/datasets/Sunnyshan/weibo_sentiment

csv文件的数据集获取代码：

复制代码

from datasets import load_dataset

# 加载微博数据集
dataset = load_dataset(path="csv", data_files="./weibo_senti_100k.csv")

# 获取数据集
train = dataset['train']

for i in train:
    print(i)

运行输出：