load_dataset函数

Hugging Face 的 datasets 库中的 load_dataset 函数是一个核心工具，用于快速加载和处理多种格式的数据集。
主要功能
1.支持多种数据源

• 从 Hugging Face Hub 加载公开数据集（如 IMDB、SQuAD）
• 读取 本地文件（CSV/JSON/文本等）
• 解析 内存数据（如 Python 字典或 Pandas DataFrame）

2.自动处理数据格式

• 自动识别文件格式（无需手动指定 CSV/JSON 等）
• 处理分块数据集（如多个文件分割的训练/验证/测试集）
  3.高效缓存机制
• 首次加载后缓存到本地 ~/.cache/huggingface/datasets
• 通过 cache_dir 参数自定义缓存路径

---

用法示例

1. 加载 Hub 数据集

from datasets import load_dataset

# 加载 IMDB 数据集（默认分割为 train/test）
dataset = load_dataset("imdb")
print(dataset["train"][0])  # 输出第一条训练数据

# 加载带配置的数据集（如 multi_news 的不同版本）
dataset = load_dataset("multi_news", "1.0")  # 指定配置名称

2. 加载本地文件

# 加载单个 CSV 文件
dataset = load_dataset("csv", data_files="path/to/file.csv")

# 加载多个 JSON 文件（自动合并分割）
dataset = load_dataset("json", data_files={"train": "train.json", "test": "test.json"})

3. 指定数据分割

# 仅加载训练集的前 10% 数据
dataset = load_dataset("imdb", split="train[:10%]")

# 合并多个分割（如 80% 训练 + 20% 验证）
dataset = load_dataset("imdb", split="train[:80%]+train[-20%:]")

---

核心参数解析

参数	类型	说明	示例
path	str	数据集标识（Hub 名称或本地文件格式）	"imdb"（Hub） "csv"（本地格式）
name	str	数据集配置/版本（部分 Hub 数据集需指定）	"plain_text"（如 "ag_news" 的子配置）
split	str	加载的数据分割（支持切片语法）	"train" "train[:10%]+validation[:20%]"
cache_dir	str	自定义缓存目录路径	"./my_cache"
download_mode	str	下载模式（避免重复下载）	"reuse_cache_if_exists"（默认） "force_redownload"
streaming	bool	流式加载（大数据集时省内存）	streaming=True
trust_remote_code	bool	信任自定义数据集加载脚本	True（用于第三方脚本）

从 Hugging Face Hub 加载时的参数

参数	说明	示例
revision	数据集版本（Git 分支/标签/commit）	revision="v1.1.0"
use_auth_token	访问私有数据集时的认证 token	use_auth_token=True（读取本地缓存） use_auth_token="hf_xxx"

---

从本地文件加载时的参数

参数	说明	适用格式	示例
data_files	文件路径（支持通配符 *）	CSV/JSON/Text	data_files="data/*.json" data_files={"train": "train.csv", "test": "test.csv"}
data_dir	包含数据文件的目录路径	文本/图像	data_dir="./images"
delimiter	CSV 分隔符（默认 ,）	CSV	delimiter="\t"
skip_rows	跳过文件开头的行数	CSV/Text	skip_rows=1（跳过标题行）

---