fundata

一批用于下载/管理机器学习常见公开数据集的脚本：数据集的名称、分类、下载地址等元信息存入本地 SQLite（fundata.manage.core.DatasetManage），实际数据文件从蓝奏网盘下载。收录的数据集包括 iris、MovieLens（100k/1m/10m/20m/25m）、Criteo（sample/kaggle）、Amazon Electronics 评论、adult、porto-seguro、bitly-usagov、COCO（val2017/annotations）以及 YOLOv3/v4 权重等。

fundata.work、fundata.manage、fundata.tables_bak 可以正常 import 和使用。DatasetManage.download() 中蓝奏云下载分支会抛出 NotImplementedError：当前 fundrive 的蓝奏云 API 是基于类的 fundrive.drives.lanzou.LanZouDrive，需要已认证的实例，没有免认证的下载函数可用。

fundata.dataset（dataset/datas.py）默认无法独立 import：它直接依赖 demjson、tensorflow、scikit-learn、notekeras。其中 tensorflow、scikit-learn、funkeras（提供 notekeras）已收录进 pyproject.toml 的 dataset extra，默认不随主依赖安装。需要特别说明两点：

• notekeras：PyPI 上的 funkeras 包实际发布的顶层可 import 模块名仍然是 notekeras（pip install funkeras 装出来的目录是 notekeras/），因此代码里 from notekeras.features.feature_parse import ... 这一行即使装了 funkeras 也必须保持 notekeras 这个导入名不变，才能正确工作。
• demjson：PyPI 上唯一的 demjson==2.2.4 是 Python 2 时代遗留的包，其 setup.py 使用了 setuptools>=58 已移除的 use_2to3 参数，在任何现代构建工具链下都会构建失败，因此没有声明进 dataset extra（声明了会导致 uv lock/pip install fundata[dataset] 直接失败）。这是上游包已废弃导致的已知限制，需要用到 CriteoData._create_criteo_dataset 里 demjson.encode(...) 那部分功能时，需自行想办法安装/替换 demjson。

安装

已发布到 PyPI：

pip install fundata

需要用到 fundata.dataset 下具体数据集处理类时，额外装上 dataset extra：

pip install "fundata[dataset]"

pyproject.toml 中已声明的 dependencies 为 pandas、funshell、farlog、tqdm，安装后 fundata（顶层）、fundata.work、fundata.manage、fundata.tables_bak 均可正常使用。fundata.dataset 需要额外的 dataset extra（tensorflow、scikit-learn、funkeras），demjson 因上游已废弃需自行处理（见上文说明）。

用法示例

维护一份数据集索引，并按需从蓝奏云下载：

from fundata.manage.core import DatasetManage
from fundata.manage.library import insert_library

dataset = DatasetManage()
dataset.create()
insert_library()  # 把 iris/movielens/criteo/coco/yolo 权重等的下载地址写入本地 sqlite

dataset.download("movielens-100k", path_root="./download/")

管理数据落盘目录（数据库/日志/公共文件），默认落在 /opt/farfarfun/apps/fundata：

from fundata.work import WorkApp

app = WorkApp()  # app_name 默认为 "fundata"，dir_app 默认为 /opt/farfarfun/apps/fundata
app.create()

fundata.dataset 下还有针对具体数据集的处理类，例如 ElectronicsData（Amazon 评论数据的下载、清洗、构建训练集）和 CriteoData（Criteo 数据集的特征处理），但如上文所述，它们依赖未声明的第三方包，当前无法独立运行。

现状说明

fundata.work / fundata.manage / fundata.tables_bak 可正常使用；fundata.dataset 需要额外安装 dataset extra 才能独立运行，不建议在装上这个 extra 之前作为正式依赖引入新项目。

关于 farfarfun

farfarfun 是一个专注于实用工具库的开源组织， 涵盖云存储、数据处理、AI、多媒体与开发工具链等方向。

• 🏠 组织主页：https://github.com/farfarfun
• 📦 PyPI：https://pypi.org/user/niuliangtao/
• 📧 联系：farfarfun@qq.com

本项目基于 MIT 协议开源。