下載kaggle資料集的小妙招

coyan發表於2021-09-09

kaggle是很多資料分析和機器學習初學者非常喜愛的資料科學競賽平臺。
這個平臺上有很多接近現實業務場景的資料集，非常適合練手。
今天向大家推薦一個下載kaggle資料集的小工具——kaggleAPI
配置好之後，可以寫個指令碼，以後下載資料就方便多了。

安裝

pip install kaggle

安裝完畢之後執行

kaggle compeitions list

然後就會報錯，提示沒有kaggle.json檔案，不用理他。
這一步主要是讓其執行後生成配置資料夾，一般在C盤-使用者-使用者名稱下的.kaggle

配置

登入kaggle官網

右上角頭像處點選，選擇Account

進去之後滾動到最下面API處，選擇Create New API Token

然後就會自動下載一個kaggle.json檔案，另存到第一步那個.kaggle資料夾

下載資料集

再執行以下

kaggle compeitions list

可以看到近期的一些競賽，重點關注以下獎金?

除了list，kaggle competitions 還有一些其他用法，不展開講了。

kaggle competitions {list, files, download, submit, submissions, leaderboard}

大家最關心的資料集下載

kaggle datasets{list,files,download,create,version,init,metadata,status}

比較常用的是：list（可用資料集列表）、files（資料檔案）、download（下載）

kaggle datasets list

用法

usage: kaggle datasets list [-h] [--sort-by SORT_BY]
[--size SIZE] [--file-type FILE_TYPE] [--license LICENSE_NAME] 
[--tags TaG_IDS] [-s SEARCH] [-m] [--user USER] [-p PAGE] [-v]

這個裡面還有2個常用的引數： -s 搜尋，後面可以加關鍵詞；-p 展示多少行，預設是20

kaggle datasets download

用法

usage: kaggle datasets download 
[-h] [-f FILE_NAME] [-p PATH] [-w] [--unzip]
[-o] [-q][dataset]

更真實的用法

如果單純在cmd執行個下載指令就大材小用了，我們還可以用kaggleAPI寫shell指令碼完成更復雜的用法，比如：

#!/bin/sh
DATASET="noxmoon/chinese-official-daily-news-since-2016"
ARCHIVE_FILE="chinese-official-daily-news-since-2016.zip"
DATA_FILE="chinese_news.csv"
DATA_DIR="data"
COL_NAME="headline"
LINES=3000
OUTPUT_FILE="headlines.txt"

if [ -d ${DATA_DIR} ]; then
  echo ${DATA_DIR}' exists, please remove it before running the script'
  exit 1
fi

echo "Creating dir"
mkdir -p ${DATA_DIR}
cd ${DATA_DIR}
kaggle datasets download -d ${DATASET}
unzip ${ARCHIVE_FILE}

echo "Deleting original dataset archive"
rm -f ${ARCHIVE_FILE}

echo "Extracting, cutting, shuffling data"
awk  -v col=$COL_NAME -F "\"*,\"*" '{print $COL_NAME}' $DATA_FILE | shuf -n 3000 > ${OUTPUT_FILE}

下載-解壓一氣呵成！

參考

https://github.com/Kaggle/kaggle-api

相關文章