向 HuggingFace 数据集添加新列

Posted 2023-02-19

【中文标题】向 HuggingFace 数据集添加新列

【英文标题】：Add new column to a HuggingFace dataset

【发布时间】：2021-12-31 23:44:00

【问题描述】：

在我有 5000000 行的数据集中，我想在我的数据集中添加一个名为“嵌入”的列。

dataset = dataset.add_column('embeddings', embeddings)

变量 embeddings 是一个大小为 (5000000, 512) 的 numpy memmap 数组。

但我收到此错误：

ArrowInvalidTraceback（最后一次调用） 在 ----> 1 个数据集 = dataset.add_column('embeddings', embeddings)

/opt/conda/lib/python3.8/site-packages/datasets/arrow_dataset.py 在 wrapper(*args, **kwargs) 第486章 第487章 --> 488 out: Union["Dataset", "DatasetDict"] = func(self, *args, **kwargs) 489 个数据集： List["Dataset"] = list(out.values()) if isinstance(out, dict) else [out] 490 # 重新应用格式到输出

/opt/conda/lib/python3.8/site-packages/datasets/fingerprint.py in wrapper(*args, **kwargs) 404 # 调用实际函数 405 --> 406 out = func(self, *args, **kwargs) 407 408 # 更新原地转换指纹+更新原地转换历史

/opt/conda/lib/python3.8/site-packages/datasets/arrow_dataset.py in add_column(self, name, column, new_fingerprint) 3346：类：Dataset 第3347章 -> 3348 column_table = InMemoryTable.from_pydict(name: column) 3349 # 水平连接表 3350 table = ConcatenationTable.from_tables([self._data, column_table],axis=1)

/opt/conda/lib/python3.8/site-packages/datasets/table.py in from_pydict(cls, *args, **kwargs) 第367章 第368章 --> 369 返回 cls(pa.Table.from_pydict(*args, **kwargs)) 370 第371章

/opt/conda/lib/python3.8/site-packages/pyarrow/table.pxi in pyarrow.lib.Table.from_pydict()

/opt/conda/lib/python3.8/site-packages/pyarrow/table.pxi in pyarrow.lib._from_pydict()

/opt/conda/lib/python3.8/site-packages/pyarrow/array.pxi in pyarrow.lib.asarray()

/opt/conda/lib/python3.8/site-packages/pyarrow/array.pxi in pyarrow.lib.array()

/opt/conda/lib/python3.8/site-packages/pyarrow/array.pxi in pyarrow.lib._ndarray_to_array()

/opt/conda/lib/python3.8/site-packages/pyarrow/error.pxi in pyarrow.lib.check_status()

ArrowInvalid：只处理一维数组

由于嵌入数组不适合 RAM，我该如何以一种有效的方式解决？

【参考方案1】：

from datasets import load_dataset

ds = load_dataset("cosmos_qa", split="train")

new_column = ["foo"] * len(ds)
ds = ds.add_column("new_column", new_column)

你得到一个数据集

Dataset(
    features: ['id', 'context', 'question', 'answer0', 'answer1', 'answer2', 'answer3', 'label', 'new_column'],
    num_rows: 25262
)

【参考方案2】：

这里的问题是您正在尝试添加一列，但您传递的数据是一个 2d numpy 数组。 arrow（用来表示数据集的库）只支持一维numpy数组。

您可以尝试将 2d numpy 数组的每一列一一添加：

for i, column in enumerate(embeddings.T):
    ds = ds.add_column('embeddings_' + str(i), column)

由于嵌入数组不适合 RAM，我该如何以一种有效的方式解决？

我认为没有办法解决内存问题。 huggingface 数据集由箭头表支持，它必须适合内存。