HuggingFace Dataset API — CULTIVA IA

Exploración del dataset dair-ai/emotion

Pipeline de análisis de emociones en reseñas de e-commerce · Clasificador VoC para marcas cliente

PASO 1

Validar

→

PASO 2

Splits

→

PASO 3

Preview

→

PASO 4

Paginar

→

PASO 5

Buscar

→

PASO 6

Filtrar

→

PASO 7

Estadísticas

→

PASO 8

Parquet

Pasos 1 & 2 — Validar disponibilidad & Explorar splits

GET /is-valid

/is-valid

curl "https://datasets-server.huggingface.co/is-valid
?dataset=dair-ai/emotion"

{
  "preview": true,
  "viewer": true,
  "search": true,
  "filter": true,
  "statistics": true
}

✓ Dataset disponible

Todas las funciones activas

GET /splits

/splits

curl "https://datasets-server.huggingface.co/splits
?dataset=dair-ai/emotion"

Config	Split	Filas	Size
default	train	16,000	736 KB
default	validation	2,000	92 KB
default	test	2,000	92 KB

Pasos 3 & 4 — Preview de filas & Paginación

GET /first-rows — Primeras filas del dataset

curl "https://datasets-server.huggingface.co/first-rows
  ?dataset=dair-ai/emotion
  &config=default
  &split=train"

{
  "features": [
    { "name": "text", "dtype": "string" },
    { "name": "label", "dtype": "ClassLabel" }
  ],
  "rows": [
    { "text": "i feel like i'm slowly recovering...", "label": 0 },
    { "text": "i feel grateful for my family", "label": 1 }
  ]
}

GET /rows — Paginación con offset + length

# Página 1 (filas 0-99)
curl "https://datasets-server.huggingface.co/rows
  ?dataset=dair-ai/emotion&config=default
  &split=train&offset=0&length=100"

# Página 2 (filas 100-199)
curl "...&offset=100&length=100"

# Python — paginar todo el split
import requests
BASE = "https://datasets-server.huggingface.co"
params = {"dataset": "dair-ai/emotion",
          "config": "default", "split": "train"}
offset, length = 0, 100
while True:
    r = requests.get(f"{BASE}/rows",
        params={**params, "offset": offset, "length": length})
    data = r.json()
    if not data["rows"]: break
    offset += length

Pasos 5 & 6 — Búsqueda de texto & Filtrado por predicados

GET /search — Full-text search

# Buscar textos con "happy"
curl "https://datasets-server.huggingface.co/search
  ?dataset=dair-ai/emotion&config=default
  &split=train&query=happy
  &offset=0&length=10"

# Buscar "angry customer"
curl "...&query=angry+customer"

Resultados para query="happy"

FILA 143

"i feel so happy today, everything went perfectly" JOY

FILA 891

"surprisingly happy with this purchase, exceeded expectations" SURPRISE

FILA 2047

"not happy at all, product broke after 2 days" ANGER

GET /filter — Filtrado con predicados SQL

# Filtrar solo etiqueta ANGER (label=3)
curl "https://datasets-server.huggingface.co/filter
  ?dataset=dair-ai/emotion&config=default
  &split=train
  &where=label%3D3
  &orderby=text%20ASC
  &offset=0&length=50"

# Filtrar JOY (label=1) y ordenar
curl "...&where=label%3D1&orderby=text"

Mapa de etiquetas (ClassLabel)

0 SADNESS

1 JOY

2 LOVE

3 ANGER

4 FEAR

5 SURPRISE

Paso 7 — Estadísticas de columnas

GET /statistics — Distribución de clases

/statistics

curl "https://datasets-server.huggingface.co/statistics
  ?dataset=dair-ai/emotion
  &config=default&split=train"
        

Distribución de etiquetas — split: train (16,000 filas)

sadness

4,666

29.2%

joy

5,362

33.5%

love

1,304

8.2%

anger

2,159

13.5%

fear

1,937

12.1%

surprise

572

3.6%

GET /size — Totales del dataset

/size

curl "https://datasets-server.huggingface.co/size
  ?dataset=dair-ai/emotion"
        

Total filas (todos los splits)

20,000

Bytes en disco

~920 KB

Columnas

2 (text, label)

Config activa

default

Idioma

en (inglés)

Licencia

Apache-2.0

✓ Dataset balanceado para entrenamiento de clasificadores de emoción en textos cortos. Ideal para VoC e-commerce.

Paso 8 — Descarga Parquet

GET /parquet — Links de shards para descarga masiva

/parquet

curl "https://datasets-server.huggingface.co/parquet
  ?dataset=dair-ai/emotion"

# Python — descargar parquet directo
import pandas as pd
url = "https://huggingface.co/datasets/
  dair-ai/emotion/resolve/refs%2Fconvert%2Fparquet/
  default/train/0000.parquet"
df = pd.read_parquet(url)
print(df.head())

Shards disponibles

📦

default/train/0000.parquet

Split: train · Config: default

736 KB

📦

default/validation/0000.parquet

Split: validation · Config: default

92 KB

📦

default/test/0000.parquet

Split: test · Config: default

92 KB

Resumen del pipeline — dataset listo para VoC

20K

Ejemplos totales

Clases de emoción

Endpoints API usados

Splits (train/val/test)

920KB

Tamaño total parquet

0€

Coste de acceso API