python常用库pandas、Hugging Face的datasets库（大模型之JSONL（JSON Lines））

背景

在当今的数据交换领域，各种格式层出不穷，其中 Comma Separated Values（CSV）格式作为一种常见的数据交换格式，被广泛用于表示具有相同字段列表的记录集。而 JavaScript Object Notation（JSON）则已成为事实上的数据交换格式标准，取代了曾在 21 世纪初备受瞩目的 XML。JSON 不仅具有自我描述性，而且易于人类阅读。

在处理和分析大型数据集时，JSON Lines 格式成为了一种受欢迎的选择。

与传统的 JSON 格式相比，JSON Lines 不需要一次性加载整个文件，而是可以逐行读取和处理数据。这种特性使得 JSON Lines 非常适用于处理大型数据集，无需担心内存限制或性能问题。

每一行表示一个单独的条目这一特点使得 JSON Lines 格式化的文件具有可流式处理的特性。您可以根据需要读取任意多行来获取相同数量的记录。在网络爬虫等需要处理大量数据的场景中，JSON Lines 格式无疑是一种非常实用的选择。

JSONL（JSON Lines）在大模型时代，通常用于保存模型训练的数据集。

什么是JSONL（JSON Lines）

官网：https://jsonlines.org/

JSON Lines 特点

• 采用 UTF-8 编码；
• 每行必须是一个有效的 JSON 对象；
• 在每个 JSON 对象，采用 \n 或 \r\n 作为行分隔符；

建议约定：

• JSON Lines文件通常使用文件扩展名 .jsonl 保存
• 建议使用像 gzip 或 bzip2 这样的流压缩器以节省空间，生成 .jsonl.gz 或 .jsonl.bz2 文件
• MIME 类型可以是 application/jsonl，但这 还没有被标准化
• 文本编辑程序将文本文件的第一行称为“第1行”。JSON Lines文件中的第一个值也应称为“第1个值”

通过pandas读取和保存JSONL文件

微调任何人工智能模型的第一步是准备训练数据集。

很多时候，我们需要把一些我们常见的格式，如csv等，转换为更适合训练 AI 模型的 JSONL（JSON Lines）格式。

目前大模型很多的数据格式都是jsonl和json的，通常我们使用json的文件相对较多，对于jsonl的处理，我们其中每一行都是一个独立的JSON对象。这种格式非常适合于那些需要逐行读取和写入数据的场景，比如日志文件处理。Pandas是一个强大的Python数据分析库，它提供了读取和保存JSONL文件的功能，使得处理这种格式的数据变得简单快捷。

pandas读取和保存JSONL文件

在使用Python的数据处理库pandas时，可以轻松地读取和写入JSONL格式的文件。

当处理大型JSONL文件时，我们可能不希望一次性将所有数据加载到内存中。Pandas的read_json方法支持分块读取：

chunk_size = 1000  # 每次读取1000行
chunks = pd.read_json('large_data.jsonl', lines=True, chunksize=chunk_size)

for chunk in chunks:
    print(chunk)
    # 可以在这里对每个块进行处理

Hugging Face的datasets库

官方地址：https://huggingface.co/docs/datasets/index

Hugging Face中的datasets库为数据处理提供了强大且灵活的工具，能够帮助开发者和研究人员更高效地处理各种类型的数据集。通过其丰富的特性和广泛的社区支持，datasets库已成为机器学习项目中不可或缺的重要工具之一。

Hugging Face是用来处理数据集的一个python库。当微调一个模型时候，需要在以下三个方面使用该库，如下。

• 从Huggingface Hub上下载和缓冲数据集（也可以本地哟！）
• 使用Dataset.map()预处理数据
• 加载和计算指标

现在上GB的数据集是非常常见的，例如训练BERT和GPT2的数据集。加载如此之大的数据集对内存大要求很高。预训练GPT2的数据集包含8百万个文档和40GB的文本。如果你有尝试加载过这些数据，就会知道这有多么的麻烦！

Datasets针对大数据加载的痛点做了很多工作，在加载数据上使用内存映射的方法，使得加载数据不再受内存大小的限制，只要磁盘空间够大，就能够快速加载大数据文件。

只需要在load_dataset()函数中指定加载数据的类型（csv或tsv表格数据、text文本数据、json或json lines格式数据已经pandas保存的pickle文件）以及设置参数data_files来指定一个或多个文件即可。

Hugging Face的datasets库 和 pandas 我应该用哪个

Hugging Face的datasets库

• 专用性：datasets库专为处理和加载各类自然语言处理（NLP）任务的数据集而设计，支持从Hugging Face Hub直接下载和加载多个公共数据集，比如GLUE、SQuAD、IMDB等1。
• 高效性：该库使用内存映射（memory mapping）和缓存机制，能够高效处理大规模数据集，并支持GPU加速5。
• 便捷性：通过简单的一行代码即可加载数据集，具备多线程处理能力，适合需要快速迭代的深度学习项目^6。
• 灵活性：可以方便地进行数据集的处理和变换（例如过滤、切分、映射）1。
• 与Transformers兼容：适合与Hugging Face的Transformers库结合使用，便于直接应用于模型训练和验证3。

Pandas

• 多功能性：Pandas是一个通用的数据处理库，不仅限于NLP领域，适合处理各种数据格式（如CSV、Excel、JSON等），非常适合一般的数据分析任务。
• 灵活的数据操作：Pandas提供了丰富的数据操作功能（如数据清洗、变换、合并、重塑等），在结构化数据的处理上非常强大2。
• 更广的应用场景：如果你的数据分析不仅限于NLP，比如数据可视化、数据科学等场景，Pandas则是更合适的选择。
• 学习曲线：对于新的数据科学家来说，Pandas的学习曲线相对较平缓，因为它的应用场景更广泛且有丰富的学习资源。

总结：
如果你的项目更多地涉及到深度学习和模型训练，建议优先使用datasets库；如果涉及到多样化的数据处理和分析任务，则Pandas更为合适。

参考

【大模型-驯化】成功搞懂大模型的jsonl数据格式处理和写入，通过pandas读取和保存JSONL文件
https://blog.csdn.net/lov1993/article/details/142494045
Hugging Face教程 - 5、huggingface的datasets库使用
参考URL： https://zhuanlan.zhihu.com/p/564816807