# Обработка текстовых данных

В этом руководстве описаны конкретные методы обработки текстовых наборов данных. Узнайте, как:

- Токенизируйте набор данных с помощью [map()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.map).
- Совместите метки данных с идентификаторами меток для наборов данных NLI.

Справочник по обработке любого типа набора данных — в общем руководстве по процессу.

## Карта

Функция [map()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.map) поддерживает обработку примеров партиями, что ускоряет токенизацию.

Загрузите токенизатор из 🤗 [Transformers](https://huggingface.co/transformers/):

```py
>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")
```

Установите параметр `batched` в значение `True` в функции [map()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.map), чтобы применить токенизатор к батчам примеров:

```py
>>> dataset = dataset.map(lambda examples: tokenizer(examples["text"]), batched=True)
>>> dataset[0]
{'text': 'the rock is destined to be the 21st century\'s new " conan " and that he\'s going to make a splash even greater than arnold schwarzenegger , jean-claud van damme or steven segal .', 
 'label': 1, 
 'input_ids': [101, 1996, 2600, 2003, 16036, 2000, 2022, 1996, 7398, 2301, 1005, 1055, 2047, 1000, 16608, 1000, 1998, 2008, 2002, 1005, 1055, 2183, 2000, 2191, 1037, 17624, 2130, 3618, 2084, 7779, 29058, 8625, 13327, 1010, 3744, 1011, 18856, 19513, 3158, 5477, 4168, 2030, 7112, 16562, 2140, 1012, 102], 
 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
```

Функция [map()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.map) преобразует возвращаемые значения в формат, поддерживаемый PyArrow. Однако явное возвращение тензоров в виде массивов NumPy быстрее, так как это нативно поддерживаемый формат PyArrow. Установите `return_tensors="np"` при токенизации текста:

```py
>>> dataset = dataset.map(lambda examples: tokenizer(examples["text"], return_tensors="np"), batched=True)
```

## Выровнять

Функция [align_labels_with_mapping()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.align_labels_with_mapping) сопоставляет идентификатор метки набора данных с именем метки. Не все модели 🤗 Transformers следуют предписанному сопоставлению меток исходного набора данных, особенно для наборов данных NLI. Например, набор данных [MNLI](https://huggingface.co/datasets/glue) использует следующее сопоставление меток:

```py
>>> label2id = {"entailment": 0, "neutral": 1, "contradiction": 2}
```

Чтобы привести сопоставление меток в наборе данных к тому, которое использует модель, создайте словарь с именами и идентификаторами меток для согласования:

```py
>>> label2id = {"contradiction": 0, "neutral": 1, "entailment": 2}
```

Передайте словарь соответствий меток в функцию [align_labels_with_mapping()](/docs/datasets/main/ru/package_reference/main_classes#datasets.Dataset.align_labels_with_mapping), а также столбец, по которому нужно выровнять данные:

```py
>>> from datasets import load_dataset

>>> mnli = load_dataset("nyu-mll/glue", "mnli", split="train")
>>> mnli_aligned = mnli.align_labels_with_mapping(label2id, "label")
```

Вы также можете использовать эту функцию для назначения пользовательского сопоставления меток с идентификаторами.