Datasets documentation
Использование с Polars
Использование с Polars
Этот документ представляет собой краткое введение к использованию datasets с Polars, с особым акцентом на то, как обрабатывать наборы данных с помощью функций Polars, а также как конвертировать набор данных в Polars или из Polars.
Это особенно полезно, так как позволяет выполнять быстрые операции без копирования данных, поскольку и datasets, и Polars используют Arrow в качестве базового формата.
Формат набора данных
По умолчанию наборы данных возвращают обычные объекты Python: целые числа, числа с плавающей точкой, строки, списки и т. д.
To get Polars DataFrames or Series instead, you can set the format of the dataset to polars using Dataset.with_format():
>>> from datasets import Dataset
>>> data = {"col_0": ["a", "b", "c", "d"], "col_1": [0., 0., 1., 1.]}
>>> ds = Dataset.from_dict(data)
>>> ds = ds.with_format("polars")
>>> ds[0] # pl.DataFrame
shape: (1, 2)
┌───────┬───────┐
│ col_0 ┆ col_1 │
│ --- ┆ --- │
│ str ┆ f64 │
╞═══════╪═══════╡
│ a ┆ 0.0 │
└───────┴───────┘
>>> ds[:2] # pl.DataFrame
shape: (2, 2)
┌───────┬───────┐
│ col_0 ┆ col_1 │
│ --- ┆ --- │
│ str ┆ f64 │
╞═══════╪═══════╡
│ a ┆ 0.0 │
│ b ┆ 0.0 │
└───────┴───────┘
>>> ds["data"] # pl.Series
shape: (4,)
Series: 'col_0' [str]
[
"a"
"b"
"c"
"d"
]Это также работает для объектов IterableDataset, полученных, например, с помощью load_dataset(..., streaming=True):
>>> ds = ds.with_format("polars")
>>> for df in ds.iter(batch_size=2):
... print(df)
... break
shape: (2, 2)
┌───────┬───────┐
│ col_0 ┆ col_1 │
│ --- ┆ --- │
│ str ┆ f64 │
╞═══════╪═══════╡
│ a ┆ 0.0 │
│ b ┆ 0.0 │
└───────┴───────┘Обработка данных
Функции Polars, как правило, работают быстрее обычных функций, написанных вручную на Python, и поэтому являются хорошим вариантом для оптимизации обработки данных. Вы можете использовать функции Polars для обработки набора данных в Dataset.map() или Dataset.filter():
>>> import polars as pl
>>> from datasets import Dataset
>>> data = {"col_0": ["a", "b", "c", "d"], "col_1": [0., 0., 1., 1.]}
>>> ds = Dataset.from_dict(data)
>>> ds = ds.with_format("polars")
>>> ds = ds.map(lambda df: df.with_columns(pl.col("col_1").add(1).alias("col_2")), batched=True)
>>> ds[:2]
shape: (2, 3)
┌───────┬───────┬───────┐
│ col_0 ┆ col_1 ┆ col_2 │
│ --- ┆ --- ┆ --- │
│ str ┆ f64 ┆ f64 │
╞═══════╪═══════╪═══════╡
│ a ┆ 0.0 ┆ 1.0 │
│ b ┆ 0.0 ┆ 1.0 │
└───────┴───────┴───────┘
>>> ds = ds.filter(lambda df: df["col_0"] == "b", batched=True)
>>> ds[0]
shape: (1, 3)
┌───────┬───────┬───────┐
│ col_0 ┆ col_1 ┆ col_2 │
│ --- ┆ --- ┆ --- │
│ str ┆ f64 ┆ f64 │
╞═══════╪═══════╪═══════╡
│ b ┆ 0.0 ┆ 1.0 │
└───────┴───────┴───────┘Мы используем batched=True, так как обработка данных пакетами в Polars быстрее, чем построчная. Также можно использовать batch_size= в map(), чтобы задать размер каждого df.
Это также работает для IterableDataset.map() и IterableDataset.filter().
Пример: извлечение данных
В Polars доступно множество функций для любых типов данных: строки, числа с плавающей точкой, целые числа и т. д. Полный список можно найти здесь. Эти функции написаны на Rust и работают с батчами данных, что обеспечивает быструю обработку данных.
Вот пример, демонстрирующий ускорение в 5 раз при использовании Polars вместо обычной функции Python для извлечения решений из набора данных рассуждений LLM:
from datasets import load_dataset
ds = load_dataset("ServiceNow-AI/R1-Distill-SFT", "v0", split="train")
# Using a regular python function
pattern = re.compile("boxed\\{(.*)\\}")
result_ds = ds.map(lambda x: {"value_solution": m.group(1) if (m:=pattern.search(x["solution"])) else None})
# Time: 10s
# Using a Polars function
expr = pl.col("solution").str.extract("boxed\\{(.*)\\}").alias("value_solution")
result_ds = ds.with_format("polars").map(lambda df: df.with_columns(expr), batched=True)
# Time: 2sИмпорт или экспорт из Polars
Чтобы импортировать данные из Polars, можно использовать Dataset.from_polars():
ds = Dataset.from_polars(df)
А также можно использовать Dataset.to_polars() для экспорта Dataset в DataFrame Polars:
df = Dataset.to_polars(ds)