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），再按索引里的地址把数据文件拉到本地。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() 优先走记录里的 source 直链；只有 lanzou 地址的记录会抛出 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 可以在不安装重型机器学习依赖时导入；构建 Criteo 数据集时才需要安装 dataset extra。tensorflow、keras、scikit-learn、funkeras（提供 notekeras）已收录进 pyproject.toml 的 dataset extra，默认不随主依赖安装。

• 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。

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]"

基础包支持 Python 3.10。dataset extra 里 TensorFlow/Keras 这条链路带 python_version >= '3.11' 标记，只在 Python 3.11+ 上安装：keras 从 3.13 起才要求 Python 3.11，在 3.10 上能解析到的最高版本仍落在 Keras 安全公告的受影响区间内。 scikit-learn 与 Keras 无关，在 3.10 上照常安装。

pyproject.toml 中已声明的 dependencies 为 numpy、pandas、funshell、farlog、tqdm，安装后 fundata（顶层）、fundata.work、fundata.manage、fundata.tables_bak、fundata.dataset 均可正常导入。构建 Criteo 数据集时需要额外安装 dataset extra。

用法示例

建立本地索引，然后按名称下载：

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

dataset = DatasetManage(db_path="./fundata.db")
dataset.create()
insert_library(dataset)  # 把内置下载地址写入当前目录的 sqlite 索引

# download() 返回本地文件路径；数据集不在索引里时返回 None
path = dataset.download("adult-train", overwrite=False, path_root="./download/")
print(path)  # ./download/adult-data/adult.train.txt

只登记了蓝奏云地址的记录（例如 yolov3.weights）目前下载不了：DatasetManage.download() 会抛出 NotImplementedError，需先接入已认证的 fundrive.drives.lanzou.LanZouDrive 实例。

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）。

现状说明

fundata.work / fundata.manage / fundata.tables_bak / fundata.dataset 可正常导入；构建 Criteo 数据集时需要额外安装 dataset extra。

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。