如何为Hugging Face load_dataset方法正确配置features参数？

报错原因 #

你传入Features的类型声明为字符串格式的'str'、'ClassLabel'，但datasets库要求Features接收的是对应类型的实例对象，而非字符串。

解决方案 #

方案1：加载时直接指定类型

需要先导入Value和ClassLabel两个类型类，按如下方式声明特征：

from datasets import Features, Value, ClassLabel
from datasets import load_dataset

# 将names参数替换为你实际的8个类别字符串，顺序可自定义，加载时会自动把csv中的字符串标签映射为0-7的整数
ft = Features(
    {
        "sequence": Value("string"), 
        "label": ClassLabel(names=["类别1", "类别2", "类别3", "类别4", "类别5", "类别6", "类别7", "类别8"])
    }
)

mydataset = load_dataset("csv", data_files="mydata.csv", features=ft)

方案2：加载后转换标签类型

如果不想提前手动填写所有类别名，可以先默认加载数据集，再调用内置方法自动转换标签为ClassLabel类型：

from datasets import load_dataset

# 先按默认格式加载数据集
mydataset = load_dataset("csv", data_files="mydata.csv")
# 自动识别label列的所有唯一值，转换为ClassLabel类型
mydataset = mydataset.class_encode_column("label")

两种方案执行后都可以通过print(mydataset["train"].features)验证特征类型是否符合预期。

内容的提问来源于stack exchange，提问作者Adham