# Cargar un conjunto de datos desde el Hub

Encontrar conjuntos de datos de alta calidad que sean reproducibles y accesibles puede ser difícil. Uno de los objetivos principales de 🤗 Datasets es ofrecer una forma sencilla de cargar un conjunto de datos de cualquier formato o tipo. La forma más fácil de empezar es descubrir un conjunto de datos existente en el [Hugging Face Hub](https://huggingface.co/datasets), una colección de conjuntos de datos impulsada por la comunidad para tareas de NLP, visión por computadora y audio, y usar 🤗 Datasets para descargarlo y generarlo.

Este tutorial utiliza los conjuntos de datos [rotten_tomatoes](https://huggingface.co/datasets/rotten_tomatoes) y [MInDS-14](https://huggingface.co/datasets/PolyAI/minds14), pero puedes cargar el que prefieras y seguir el proceso. Ve ahora al Hub y busca un conjunto de datos para tu tarea.

## Cargar un conjunto de datos

Antes de dedicar tiempo a descargar un conjunto de datos, suele ser útil obtener rápidamente información general sobre él. La información de un conjunto de datos se almacena dentro de [DatasetInfo](/docs/datasets/v5.2.0/es/package_reference/main_classes#datasets.DatasetInfo) y puede incluir detalles como la descripción del conjunto de datos, las características y el tamaño del conjunto de datos.

Use la función [load_dataset_builder()](/docs/datasets/v5.2.0/es/package_reference/loading_methods#datasets.load_dataset_builder) para cargar un constructor de conjuntos de datos e inspeccionar los atributos de un conjunto de datos sin comprometerse a descargarlo:

```py
>>> from datasets import load_dataset_builder
>>> ds_builder = load_dataset_builder("cornell-movie-review-data/rotten_tomatoes")

# Inspect dataset description
>>> ds_builder.info.description
Movie Review Dataset. This is a dataset of containing 5,331 positive and 5,331 negative processed sentences from Rotten Tomatoes movie reviews. This data was first used in Bo Pang and Lillian Lee, ``Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales.'', Proceedings of the ACL, 2005.

# Inspect dataset features
>>> ds_builder.info.features
{'label': ClassLabel(names=['neg', 'pos']),
 'text': Value('string')}
```

Si el conjunto de datos te parece adecuado, cárgalo con [load_dataset()](/docs/datasets/v5.2.0/es/package_reference/loading_methods#datasets.load_dataset):

```py
>>> from datasets import load_dataset

>>> dataset = load_dataset("cornell-movie-review-data/rotten_tomatoes", split="train")
```

## Divisiones

Un split es un subconjunto específico de un conjunto de datos, como `train` y `test`. Enumera los nombres de los splits de un conjunto de datos con la función [get_dataset_split_names()](/docs/datasets/v5.2.0/es/package_reference/loading_methods#datasets.get_dataset_split_names):

```py
>>> from datasets import get_dataset_split_names

>>> get_dataset_split_names("cornell-movie-review-data/rotten_tomatoes")
['train', 'validation', 'test']
```

Luego puedes cargar una división específica con el parámetro `split`. Cargar una `split` de un conjunto de datos devuelve un objeto [Dataset](/docs/datasets/v5.2.0/es/package_reference/main_classes#datasets.Dataset):

```py
>>> from datasets import load_dataset

>>> dataset = load_dataset("cornell-movie-review-data/rotten_tomatoes", split="train")
>>> dataset
Dataset({
    features: ['text', 'label'],
    num_rows: 8530
})
```

Si no especificas un `split`, 🤗 Datasets devuelve un objeto [DatasetDict](/docs/datasets/v5.2.0/es/package_reference/main_classes#datasets.DatasetDict) en su lugar:

```py
>>> from datasets import load_dataset

>>> dataset = load_dataset("cornell-movie-review-data/rotten_tomatoes")
DatasetDict({
    train: Dataset({
        features: ['text', 'label'],
        num_rows: 8530
    })
    validation: Dataset({
        features: ['text', 'label'],
        num_rows: 1066
    })
    test: Dataset({
        features: ['text', 'label'],
        num_rows: 1066
    })
})
```

## Configuraciones

Algunos conjuntos de datos contienen varios subconjuntos. Por ejemplo, el conjunto de datos [MInDS-14](https://huggingface.co/datasets/PolyAI/minds14) tiene varios subconjuntos, cada uno con datos de audio en un idioma diferente. Estos subconjuntos se conocen como *configuraciones* o *subconjuntos*, y debes seleccionar uno explícitamente al cargar el conjunto de datos. Si no proporcionas un nombre de configuración, 🤗 Datasets lanzará un `ValueError` y te recordará que elijas una configuración.

Use la función [get_dataset_config_names()](/docs/datasets/v5.2.0/es/package_reference/loading_methods#datasets.get_dataset_config_names) para obtener una lista de todas las configuraciones posibles disponibles para su conjunto de datos:

```py
>>> from datasets import get_dataset_config_names

>>> configs = get_dataset_config_names("PolyAI/minds14")
>>> print(configs)
['cs-CZ', 'de-DE', 'en-AU', 'en-GB', 'en-US', 'es-ES', 'fr-FR', 'it-IT', 'ko-KR', 'nl-NL', 'pl-PL', 'pt-PT', 'ru-RU', 'zh-CN', 'all']
```

Luego, cargue la configuración que desee:

```py
>>> from datasets import load_dataset

>>> mindsFR = load_dataset("PolyAI/minds14", "fr-FR", split="train")
```