These datasets don't work as of datasets==2.11.0

#1
by adivekar - opened

Hi. Thanks for uploading these datasets, but it seems like they do not work?

Using datasets==2.11.0:

from datasets import load_dataset
load_dataset("zapsdcn/ag", split='test')

I get this error:

Downloading and preparing dataset json/zapsdcn--ag to /efs/users/adivekar/.cache/huggingface/datasets/zapsdcn___json/zapsdcn--ag-3d65abcb396ff733/0.0.0/fe5dd6ea2639a6df622901539cb550cf8797e5a6b2dd7af1cf934bed8e233e6e...
Downloading data files: 100%
3/3 [00:00<00:00, 298.10it/s]
Extracting data files: 100%
3/3 [00:00<00:00, 114.75it/s]
โ•ญโ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€ Traceback (most recent call last) โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ•ฎ
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/builder.py:1875 in   โ”‚
โ”‚ _prepare_split_single                                                                            โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   1872 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   storage_options=self._fs.storage_options,                     โ”‚
โ”‚   1873 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   embed_local_files=embed_local_files,                          โ”‚
โ”‚   1874 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   )                                                                 โ”‚
โ”‚ โฑ 1875 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   writer.write_table(table)                                             โ”‚
โ”‚   1876 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   num_examples_progress_update += len(table)                            โ”‚
โ”‚   1877 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   if time.time() > _time + config.PBAR_REFRESH_TIME_INTERVAL:           โ”‚
โ”‚   1878 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   _time = time.time()                                               โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/arrow_writer.py:568  โ”‚
โ”‚ in write_table                                                                                   โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   565 โ”‚   โ”‚   if self.pa_writer is None:                                                         โ”‚
โ”‚   566 โ”‚   โ”‚   โ”‚   self._build_writer(inferred_schema=pa_table.schema)                            โ”‚
โ”‚   567 โ”‚   โ”‚   pa_table = pa_table.combine_chunks()                                               โ”‚
โ”‚ โฑ 568 โ”‚   โ”‚   pa_table = table_cast(pa_table, self._schema)                                      โ”‚
โ”‚   569 โ”‚   โ”‚   if self.embed_local_files:                                                         โ”‚
โ”‚   570 โ”‚   โ”‚   โ”‚   pa_table = embed_table_storage(pa_table)                                       โ”‚
โ”‚   571 โ”‚   โ”‚   self._num_bytes += pa_table.nbytes                                                 โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/table.py:2290 in     โ”‚
โ”‚ table_cast                                                                                       โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   2287 โ”‚   โ”‚   table (`pyarrow.Table`): the casted table                                         โ”‚
โ”‚   2288 โ”‚   """                                                                                   โ”‚
โ”‚   2289 โ”‚   if table.schema != schema:                                                            โ”‚
โ”‚ โฑ 2290 โ”‚   โ”‚   return cast_table_to_schema(table, schema)                                        โ”‚
โ”‚   2291 โ”‚   elif table.schema.metadata != schema.metadata:                                        โ”‚
โ”‚   2292 โ”‚   โ”‚   return table.replace_schema_metadata(schema.metadata)                             โ”‚
โ”‚   2293 โ”‚   else:                                                                                 โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/table.py:2248 in     โ”‚
โ”‚ cast_table_to_schema                                                                             โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   2245 โ”‚                                                                                         โ”‚
โ”‚   2246 โ”‚   features = Features.from_arrow_schema(schema)                                         โ”‚
โ”‚   2247 โ”‚   if sorted(table.column_names) != sorted(features):                                    โ”‚
โ”‚ โฑ 2248 โ”‚   โ”‚   raise ValueError(f"Couldn't cast\n{table.schema}\nto\n{features}\nbecause column  โ”‚
โ”‚   2249 โ”‚   arrays = [cast_array_to_feature(table[name], feature) for name, feature in features.  โ”‚
โ”‚   2250 โ”‚   return pa.Table.from_arrays(arrays, schema=schema)                                    โ”‚
โ”‚   2251                                                                                           โ”‚
โ•ฐโ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ•ฏ
ValueError: Couldn't cast
label: int64
text: string
headline: string
to
{'label': Value(dtype='int64', id=None), 'text': Value(dtype='string', id=None), 'headline': Value(dtype='string', 
id=None), 'id': Value(dtype='string', id=None)}
because column names don't match

The above exception was the direct cause of the following exception:

โ•ญโ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€ Traceback (most recent call last) โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ•ฎ
โ”‚ in <module>:1                                                                                    โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ โฑ 1 load_dataset("zapsdcn/ag", split='test')                                                     โ”‚
โ”‚   2                                                                                              โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/load.py:1791 in      โ”‚
โ”‚ load_dataset                                                                                     โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   1788 โ”‚   try_from_hf_gcs = path not in _PACKAGED_DATASETS_MODULES                              โ”‚
โ”‚   1789 โ”‚                                                                                         โ”‚
โ”‚   1790 โ”‚   # Download and prepare data                                                           โ”‚
โ”‚ โฑ 1791 โ”‚   builder_instance.download_and_prepare(                                                โ”‚
โ”‚   1792 โ”‚   โ”‚   download_config=download_config,                                                  โ”‚
โ”‚   1793 โ”‚   โ”‚   download_mode=download_mode,                                                      โ”‚
โ”‚   1794 โ”‚   โ”‚   verification_mode=verification_mode,                                              โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/builder.py:891 in    โ”‚
โ”‚ download_and_prepare                                                                             โ”‚
โ”‚                                                                                                  โ”‚
โ”‚    888 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   prepare_split_kwargs["max_shard_size"] = max_shard_size       โ”‚
โ”‚    889 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   if num_proc is not None:                                          โ”‚
โ”‚    890 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   prepare_split_kwargs["num_proc"] = num_proc                   โ”‚
โ”‚ โฑ  891 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   self._download_and_prepare(                                       โ”‚
โ”‚    892 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   dl_manager=dl_manager,                                        โ”‚
โ”‚    893 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   verification_mode=verification_mode,                          โ”‚
โ”‚    894 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   **prepare_split_kwargs,                                       โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/builder.py:986 in    โ”‚
โ”‚ _download_and_prepare                                                                            โ”‚
โ”‚                                                                                                  โ”‚
โ”‚    983 โ”‚   โ”‚   โ”‚                                                                                 โ”‚
โ”‚    984 โ”‚   โ”‚   โ”‚   try:                                                                          โ”‚
โ”‚    985 โ”‚   โ”‚   โ”‚   โ”‚   # Prepare split will record examples associated to the split              โ”‚
โ”‚ โฑ  986 โ”‚   โ”‚   โ”‚   โ”‚   self._prepare_split(split_generator, **prepare_split_kwargs)              โ”‚
โ”‚    987 โ”‚   โ”‚   โ”‚   except OSError as e:                                                          โ”‚
โ”‚    988 โ”‚   โ”‚   โ”‚   โ”‚   raise OSError(                                                            โ”‚
โ”‚    989 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   "Cannot find data file. "                                             โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/builder.py:1748 in   โ”‚
โ”‚ _prepare_split                                                                                   โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   1745 โ”‚   โ”‚   โ”‚   gen_kwargs = split_generator.gen_kwargs                                       โ”‚
โ”‚   1746 โ”‚   โ”‚   โ”‚   job_id = 0                                                                    โ”‚
โ”‚   1747 โ”‚   โ”‚   โ”‚   with pbar:                                                                    โ”‚
โ”‚ โฑ 1748 โ”‚   โ”‚   โ”‚   โ”‚   for job_id, done, content in self._prepare_split_single(                  โ”‚
โ”‚   1749 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   gen_kwargs=gen_kwargs, job_id=job_id, **_prepare_split_args           โ”‚
โ”‚   1750 โ”‚   โ”‚   โ”‚   โ”‚   ):                                                                        โ”‚
โ”‚   1751 โ”‚   โ”‚   โ”‚   โ”‚   โ”‚   if done:                                                              โ”‚
โ”‚                                                                                                  โ”‚
โ”‚ /home/ec2-user/anaconda3/envs/llm-gen/lib/python3.10/site-packages/datasets/builder.py:1893 in   โ”‚
โ”‚ _prepare_split_single                                                                            โ”‚
โ”‚                                                                                                  โ”‚
โ”‚   1890 โ”‚   โ”‚   โ”‚   # Ignore the writer's error for no examples written to the file if this erro  โ”‚
โ”‚   1891 โ”‚   โ”‚   โ”‚   if isinstance(e, SchemaInferenceError) and e.__context__ is not None:         โ”‚
โ”‚   1892 โ”‚   โ”‚   โ”‚   โ”‚   e = e.__context__                                                         โ”‚
โ”‚ โฑ 1893 โ”‚   โ”‚   โ”‚   raise DatasetGenerationError("An error occurred while generating the dataset  โ”‚
โ”‚   1894 โ”‚   โ”‚                                                                                     โ”‚
โ”‚   1895 โ”‚   โ”‚   yield job_id, True, (total_num_examples, total_num_bytes, writer._features, num_  โ”‚
โ”‚   1896                                                                                           โ”‚
โ•ฐโ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ”€โ•ฏ
DatasetGenerationError: An error occurred while generating the dataset

I think the error is that the uploaded test set does not have the "id" column.

Workaround: set features manually

import datasets as ds
load_dataset("zapsdcn/ag", features=ds.Features({
            'label': ds.Value('int64'),
            'text': ds.Value('string'),
            'headline': ds.Value('string'),
            'id': ds.Value('string'),
        }))

Sign up or log in to comment