Data Studio

Cada página de un conjunto de datos incluye una tabla con el contenido del conjunto, organizada en páginas de 100 filas. Puede navegar entre páginas usando los botones en la parte inferior de la tabla.

Inspeccionar distribuciones de datos

En la parte superior de las columnas puedes ver los gráficos que representan la distribución de sus datos. Esto te da una visión rápida de lo equilibradas que están tus clases, cuál es el rango y la distribución de los datos numéricos y las longitudes de los textos, y qué porción de los datos de la columna falta.

Filtrar por valor

Si hace clic en una barra de un histograma de una columna numérica, el visor de datos filtrará los datos y mostrará solo las filas con valores que caen en el rango seleccionado. De manera similar, si selecciona una clase de una columna categórica, mostrará solo las filas de la categoría seleccionada.

Buscar una palabra en el conjunto de datos

Puede buscar una palabra en el conjunto de datos escribiéndola en la barra de búsqueda en la parte superior de la tabla. La búsqueda no distingue entre mayúsculas y minúsculas y coincidirá con cualquier fila que contenga la palabra. El texto se busca en las columnas de string, incluso si los valores están anidados en un diccionario o una lista.

Ejecutar consultas SQL en el conjunto de datos

Puedes ejecutar consultas SQL sobre el conjunto de datos en el navegador usando la SQL Console. Esta función también aprovecha nuestra conversión automática a Parquet.

Para obtener más información, consulte nuestra guía sobre SQL Console. Puede ejecutar las mismas consultas SQL de DuckDB desde la línea de comandos con hf datasets sql o directamente con DuckDB.

Compartir una fila específica

Puede compartir una fila específica haciendo clic en ella y luego copiando la URL en la barra de direcciones de su navegador. Por ejemplo, https://huggingface.co/datasets/nyu-mll/glue/viewer/mrpc/test?p=2&row=241 abrirá el estudio de conjuntos de datos en el conjunto de datos MRPC, en la división de prueba y en la fila 241.

Trazas de agentes

Envía tus trazas JSONL sin procesar de herramientas como Claude Code, Codex o Pi a un dataset para consultarlas en Data Studio, o síncronalas con un Storage Bucket y abre los archivos .jsonl individuales allí. Ambas rutas utilizan el mismo visor de trazas para recorrer sesiones, turnos, llamadas a herramientas y respuestas del modelo. Consulta Agent Traces para ver los agentes compatibles y cómo visualizar las trazas.

Conjuntos de datos a gran escala

El Dataset Viewer admite conjuntos de datos a gran escala, pero dependiendo del formato de los datos, es posible que solo muestre los primeros 5 GB del conjunto de datos:

• Para los conjuntos de datos Parquet: el visor de conjuntos de datos muestra el conjunto completo, pero el ordenamiento, el filtrado y la búsqueda solo están habilitados para los primeros 5 GB.
• Para conjuntos de datos >5GB en otros formatos (p. ej. WebDataset o JSON Lines): el visor de conjuntos de datos solo muestra los primeros 5GB, y la ordenación, el filtrado y la búsqueda están habilitados para estos primeros 5GB.

En este caso, un mensaje informativo te indica que el Viewer es parcial. Esta debe ser una muestra lo suficientemente grande como para representar con precisión el conjunto de datos completo; avísanos si necesitas una muestra más grande.

Acceder a los archivos parquet

Para alimentar el visor de conjuntos de datos, los primeros 5 GB de cada conjunto de datos se convierten automáticamente al formato Parquet (a menos que ya fuera un conjunto de datos Parquet). En el visor de conjuntos de datos (por ejemplo, consulte GLUE), puede hacer clic en “Auto-converted to Parquet” para acceder a los archivos Parquet. Consulte la documentación del visor de conjuntos de datos para aprender a consultar los archivos parquet del conjunto de datos con bibliotecas como Polars, Pandas o DuckDB.

Parquet es un formato de almacenamiento columnar optimizado para consultar y procesar grandes conjuntos de datos. Parquet es una opción popular para el procesamiento y análisis de big data, y se utiliza ampliamente en el procesamiento de datos y el aprendizaje automático. Puede obtener más información sobre las ventajas asociadas con este formato en la documentación.

Bot de conversión

Cuando creas un nuevo conjunto de datos, el bot parquet-converter te notifica una vez que convierte el conjunto de datos a Parquet. La discusión que abre en el repositorio proporciona detalles sobre el formato Parquet y enlaces a los archivos Parquet.

Acceso programático

También puede acceder a la lista de archivos Parquet de forma programática usando la API de Hub; por ejemplo, el endpoint https://huggingface.co/api/datasets/nyu-mll/glue/parquet lista los archivos parquet del dataset nyu-mll/glue. La CLI hf proporciona la misma lista con hf datasets parquet, y hf datasets sql le permite consultar los archivos con SQL.

También contamos con una documentación específica sobre la API del visor de datasets, que puedes llamar directamente. Esa API te permite acceder al contenido, los metadatos y las estadísticas básicas de todos los datasets del Hugging Face Hub, y alimenta el frontend del visor de datasets.

Vista previa del conjunto de datos

Para los conjuntos de datos más grandes, la página muestra una vista previa de las primeras 100 filas en lugar de un visor completo. Esta restricción solo se aplica a conjuntos de datos de más de 5 GB que no están nativamente en formato Parquet o que no se han convertido automáticamente a Parquet.

Incrustar el visor de conjuntos de datos en una página web

Puede incrustar el Dataset Viewer en su propia página web mediante un iframe. La URL a utilizar es https://huggingface.co/datasets/<namespace>/<dataset-name>/embed/viewer, donde <namespace> es el propietario del dataset y <dataset-name> es el nombre del dataset. También puede pasar otros parámetros como el subconjunto, la división, el filtro, la búsqueda o la fila seleccionada.

Para obtener más información, consulte nuestra guía sobre Cómo incrustar el visor de conjuntos de datos en una página web.

Configurar el visor de conjuntos de datos

Para que el Dataset Viewer funcione correctamente con tu conjunto de datos, asegúrate de que este esté en un formato y una estructura admitidos. También existe la opción de configurar tu conjunto de datos mediante YAML.

Puede especificar qué archivos se muestran en el Dataset Viewer añadiendo un bloque de configuración YAML al inicio del archivo README.md de su conjunto de datos. Por ejemplo, para elegir qué archivo va en cada split:

---
configs:
- config_name: default
  data_files:
  - split: train
    path: "data.csv"
  - split: test
    path: "holdout.csv"
---

También puede seleccionar varios archivos por división o usar patrones glob:

---
configs:
- config_name: default
  data_files:
  - split: train
    path:
    - "data/train_part1.csv"
    - "data/train_part2.csv"
  - split: test
    path: "data/*.csv"
---

Para los conjuntos de datos privados, el visor de conjuntos de datos está habilitado para usuarios PRO y organizaciones de equipo o empresariales.

Para obtener más información, consulte nuestra guía sobre Cómo configurar el visor de conjuntos de datos.