【如何成功加载 HuggingFace 数据集】不使用Colab，以ChnSentiCorp数据集为例

前置

• Huggingface ChnSentiCorp
  
  可以看到，该huggingface库中是优测试集，训练集，验证集数据的指针，真正的数据挂载在GoogleDrive 中

加载数据集

尝试一：标准加载数据库代码

• 使用如下代码加载，这也是 一些B站博主 视频中的给出的代码

import torch
from datasets import load_dataset

class Dataset(torch.utils.data.Dataset):
    def __init__(self, split):
        self.dataset = load_dataset(
            path = "seamew/ChnSentiCorp",
            split = split
        )

    def __len__(self):
        return len(self.dataset)

    def __getitem__(self, i):
        text = self.dataset[i]["text"]
        label = self.dataset[i]["label"]
        return text, label


dataset = Dataset("train")

print(len(dataset), dataset[0])

命令台输出：

Using the latest cached version of the module from C:\Users\admin\.cache\huggingface\modules\datasets_modules\datasets\seamew--ChnSentiCorp\1f242195a37831906957a11a2985a4329167e60657c07dc95ebe266c03fdfb85 (last modified on Fri Jul  7 21:11:26 2023) since it couldn't be found locally at seamew/ChnSentiCorp., or remotely on the Hugging Face Hub.
Using custom data configuration default
D:\Softwares\Anaconda3\Anaconda3\lib\site-packages\scipy\__init__.py:155: UserWarning: A NumPy version >=1.18.5 and <1.25.0 is required for this version of SciPy (detected version 1.25.0
  warnings.warn(f"A NumPy version >={np_minversion} and <{np_maxversion}"
Downloading and preparing dataset chn_senti_corp/default to C:\Users\admin\.cache\huggingface\datasets\seamew___chn_senti_corp\default\0.0.0\1f242195a37831906957a11a2985a4329167e60657c07dc95ebe266c03fdfb85...

在运行 train_path = dl_manager.download_and_extract(_TRAIN_DOWNLOAD_URL) 这一行的时候报错
报错 ConnectionError
原因：链接不到谷歌云盘

尝试二：科学上网

• 使用科学上网
  运行同一份代码
  报错 FileNotFoundError
  原因：什么鬼，莫名奇妙找不到文件，难道是库版本太老了？

尝试三：把 Huggingface 的数据库下载到本地

• 可以使用 git 命令等方式把这些文件下载本地
  
• 使用新的加载方式（load_from_disk）加载数据库

import torch
from datasets import load_from_disk


class Dataset(torch.utils.data.Dataset):
    def __init__(self, split):
        self.dataset = load_from_disk(
            "E:/Repo/NLP/23.7.7 Huggingface_Learn/ChnSentiCorp"
        )

    def __len__(self):
        return len(self.dataset)

    def __getitem__(self, i):
        text = self.dataset[i]["text"]
        label = self.dataset[i]["label"]
        return text, label


dataset = Dataset("train")

print(len(dataset), dataset[0])

再次报错 File Not Found

尝试3.5 创建 state.json

• 在刚刚下载的数据集的那个文件夹中创建一个 state.json 文件
  filename 为目录下希望加载的文件，这里加载 train 数据
  _split 也同步改成 train
  其他的东西原样不动，鬼知道 _fingerprint 后面是啥玩意儿…

{
    
    
    "_data_files": [
      {
    
    
        "filename": "chn_senti_corp-train.arrow"
      }
    ],
    "_fingerprint": "24c4fd9824d8b978",
    "_format_columns": null,
    "_format_kwargs": {
    
    },
    "_format_type": null,
    "_indexes": {
    
    },
    "_output_all_columns": false,
    "_split": "train"
  }

• 结果，运行成功
  

彩蛋

• 某博主的教程的 json 文件如下：

{
    
    
    "_data_files": [
      {
    
    
      	# 对应上图中的文件名 
        "filename": "chn_senti_corp-train.arrow"
      }
    ],
    "_fingerprint": "24c4fd9824d8b978",
    "_format_columns": null,
    "_format_kwargs": {
    
    },
    "_format_type": null,
    "_indexes": {
    
    },
    "_output_all_columns": false,
    # 加载训练集数据 若为验证集 'validation' 测试集 'test'
    "_split": "train"
  }

• 我调用之后，产生新的错误
  UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb6 in position 43: inv
  且改 vscode 的编码到 gbk 也不管用
• 摸索之后，发现删除 json 中的中文注释即可…
  顺带一提 ，这已经是我人生中第二次遇到中文注释删掉就能跑的情况了呢，真不错。