|
- mindspore.dataset.CSVDataset
- =============================
-
- .. py:class:: mindspore.dataset.CSVDataset(dataset_files, field_delim=',', column_defaults=None, column_names=None, num_samples=None, num_parallel_workers=None, shuffle=<Shuffle.GLOBAL: 'global'>, num_shards=None, shard_id=None, cache=None)
-
- 读取和解析逗号分隔值（CSV）数据文件作为源数据集。生成的数据集的列取决于源CSV文件。
-
- **参数：**
-
- - **dataset_files** (Union[str, list[str]]) - 数据集文件路径，支持单文件路径字符串、多文件路径字符串列表或可被glob库模式匹配的字符串，文件列表将在内部进行字典排序。
- - **field_delim** (str，可选) - 指定用于分隔字段的分隔符（默认为','）。
- - **column_defaults** (list，可选) - 以列表形式指定每个CSV字段的数据类型（默认为None），有效的类型包括float、int或string。如果未指定该列表，则所有列的数据类型将被视为string。
- - **column_names** (list[str]，可选) - 指定数据集生成的列名（默认值为None）。如果未指定该列表，则将CSV文件第一行的字段作为列名生成。
- - **num_samples** (int，可选) - 指定从数据集中读取的样本数（默认为None，即读取所有样本）。
- - **num_parallel_workers** (int，可选) - 指定读取数据的工作线程数(默认值None，即使用mindspore.dataset.config中配置的线程数）。
- - **shuffle** (Union[bool, Shuffle level], 可选) - 每个epoch中数据混洗的模式（默认为为mindspore.dataset.Shuffle.GLOBAL）。如果为False，则不混洗；如果为True，等同于将 `shuffle` 设置为mindspore.dataset.Shuffle.GLOBAL。另外也可以传入枚举变量设置shuffle级别：
-
- - Shuffle.GLOBAL：混洗文件和样本。
- - Shuffle.FILES：仅混洗文件。
-
- - **num_shards** (int, 可选) - 指定分布式训练时将数据集进行划分的分片数（默认值None）。指定此参数后, `num_samples` 表示每个分片的最大样本数。
- - **shard_id** (int, 可选) - 指定分布式训练时使用的分片ID号（默认值None）。只有当指定了 `num_shards` 时才能指定此参数。
- - **cache** (DatasetCache, 可选) - 数据缓存客户端实例，用于加快数据集处理速度（默认为None，不使用缓存）。
-
- **异常：**
-
- - **RuntimeError** - 参数 `dataset_files` 所指的文件无效或不存在。
- - **RuntimeError** - 参数 `num_parallel_workers` 超过系统最大线程数。
- - **RuntimeError** - 指定了 `num_shards` 参数，但是未指定 `shard_id` 参数。
- - **RuntimeError** - 指定了 `shard_id` 参数，但是未指定 `num_shards` 参数。
-
- **样例：**
-
- >>> csv_dataset_dir = ["/path/to/csv_dataset_file"] # 此列表可以包含1个或多个CSV文件
- >>> dataset = ds.CSVDataset(dataset_files=csv_dataset_dir, column_names=['col1', 'col2', 'col3', 'col4'])
-
- .. include:: mindspore.dataset.Dataset.rst
-
- .. include:: mindspore.dataset.Dataset.zip.rst
|
