# Clases de tabla

Cada objeto `Dataset` se basa en una tabla de PyArrow. Una tabla puede cargarse desde el disco (con mapeo de memoria) o en memoria. Hay varios tipos de tabla disponibles, y todos heredan de [table.Table](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table).

## Tabla[[datasets.table.Table]]

#### datasets.table.Table[[datasets.table.Table]]

```python
datasets.table.Table(table: Table)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L210)

Envuelve una tabla pyarrow mediante composición. Esta es la clase base de `InMemoryTable`, `MemoryMappedTable` y `ConcatenationTable`.

Implementa todos los atributos/métodos básicos de la clase Table de pyarrow, excepto las transformaciones de Table: `slice, filter, flatten, combine_chunks, cast, add_column, append_column, remove_column, set_column, rename_columns` y `drop`.

La implementación de estos métodos difiere en las subclases.

#### validate[[datasets.table.Table.validate]]

```python
validate(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L235)

**Parámetros:**

full (`bool`, por defecto `False`) : Si `True`, ejecuta comprobaciones costosas; en caso contrario, solo ejecuta comprobaciones económicas.

**Excepciones:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- si la validación falla

Realiza comprobaciones de validación. Se lanza una excepción si la validación falla.

Por defecto, solo se ejecutan comprobaciones de validación de bajo coste. Pasa `full=True` para realizar comprobaciones de validación exhaustivas (potencialmente `O(n)`).

#### equals[[datasets.table.Table.equals]]

```python
equals(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L251)

**Parámetros:**

other ([Tabla](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)) : Tabla con la que comparar.

check_metadata `bool`, por defecto `False`) : Si se debe comprobar también la igualdad de los metadatos del esquema.

**Devuelve:** `bool`

Comprueba si el contenido de dos tablas es igual.

#### to_batches[[datasets.table.Table.to_batches]]

```python
to_batches(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L268)

**Parámetros:**

max_chunksize (`int`, por defecto `None`) : Tamaño máximo para los fragmentos de `RecordBatch`. Los fragmentos individuales pueden ser más pequeños dependiendo de la disposición de los fragmentos de las columnas individuales.

**Devuelve:**

`List[pyarrow.RecordBatch]`

Convierte una tabla en una lista de objetos `RecordBatch` (contiguos).

#### to_pydict[[datasets.table.Table.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L282)

**Devuelve:** `dict`

Convierte la Table en un `dict` o un `OrderedDict`.

#### to_pandas[[datasets.table.Table.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L300)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : MemoryPool de Arrow que se usará para las asignaciones. Si no se pasa ninguna, se utiliza el pool de memoria predeterminado.

strings_to_categorical (`bool`, por defecto `False`) : Codifica los tipos de cadena (UTF8) y binarios a `pandas.Categorical`.

categories (`list`, por defecto `empty`) : Lista de campos que deben devolverse como `pandas.Categorical`. Solo se aplica a estructuras de datos tipo tabla.

zero_copy_only (`bool`, por defecto `False`) : Lanza una `ArrowException` si esta llamada a la función requeriría copiar los datos subyacentes.

integer_object_nulls (`bool`, por defecto `False`) : Convierte los enteros con valores nulos en objetos.

date_as_object (`bool`, por defecto `True`) : Convierte las fechas en objetos. Si es `False`, se convierte al tipo de datos `datetime64[ns]`.

timestamp_as_object (`bool`, por defecto `False`) : Convierte las marcas de tiempo que no están en nanosegundos (`np.datetime64`) en objetos. Esto es útil si tienes marcas de tiempo que no encajan en el rango de fechas normal de las marcas de tiempo en nanosegundos (1678 d. C.-2262 d. C.). Si es `False`, todas las marcas de tiempo se convierten al tipo de datos `datetime64[ns]`.

use_threads (`bool`, por defecto `True`) : Si se debe paralelizar la conversión usando múltiples hilos.

deduplicate_objects (`bool`, por defecto `False`) : No crear múltiples copias de objetos de Python al crearse, para ahorrar memoria. La conversión será más lenta.

ignore_metadata (`bool`, por defecto `False`) : Si `True`, no usar los metadatos de 'pandas' para reconstruir el índice del DataFrame, si está presente.

safe (`bool`, por defecto `True`) : Para ciertos tipos de datos, se necesita un cast para almacenar los datos en un DataFrame o Series de pandas (p. ej., los timestamps siempre se almacenan como nanosegundos en pandas). Esta opción controla si el cast es seguro o no.

split_blocks (`bool`, por defecto `False`) : Si `True`, genera un "bloque" interno para cada columna al crear un pandas.DataFrame a partir de un `RecordBatch` o `Table`. Si bien esto puede reducir temporalmente la memoria, tenga en cuenta que varias operaciones de pandas pueden provocar una "consolidación" que puede aumentar drásticamente el uso de memoria.

self_destruct (`bool`, por defecto `False`) : EXPERIMENTAL: Si `True`, intenta desasignar la memoria de Arrow de origen al convertir el objeto Arrow a pandas. Si usas el objeto después de llamar a `to_pandas` con esta opción, tu programa se bloqueará.

types_mapper (`function`, por defecto `None`) : Una función que mapea un DataType de pyarrow a un `ExtensionDtype` de pandas. Esto se puede usar para sobrescribir el tipo de pandas predeterminado para la conversión de tipos integrados de pyarrow o en ausencia de `pandas_metadata` en el esquema de la Tabla. La función recibe un DataType de pyarrow y se espera que devuelva un `ExtensionDtype` de pandas o `None` si se debe usar la conversión predeterminada para ese tipo. Si tienes un mapeo de diccionario, puedes pasar `dict.get` como función.

**Devuelve:** `pandas.Series` o `pandas.DataFrame`

`pandas.Series` o `pandas.DataFrame` según el tipo de objeto

Convierta a un array de NumPy o un DataFrame compatible con pandas, según corresponda.

#### to_string[[datasets.table.Table.to_string]]

```python
to_string(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L362)

#### campo[[datasets.table.Table.field]]

```python
field(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L381)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre del campo a recuperar.

**Devuelve:**

`pyarrow.Field`

Seleccione un campo del esquema por su nombre de columna o índice numérico.

#### columna[[datasets.table.Table.column]]

```python
column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L394)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre de la columna a recuperar.

**Devuelve:**

`pyarrow.ChunkedArray`

Seleccione una columna por su nombre de columna o por su índice numérico.

#### itercolumns[[datasets.table.Table.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L407)

**Devuelve:**

`pyarrow.ChunkedArray`

Itera sobre todas las columnas en su orden numérico.

#### esquema[[datasets.table.Table.schema]]

```python
schema()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L416)

**Devuelve:**

`pyarrow.Schema`

Esquema de la tabla y sus columnas.

#### columnas[[datasets.table.Table.columns]]

```python
columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L426)

**Devuelve:**

`List[pa.ChunkedArray]`

Lista de todas las columnas en orden numérico.

#### num_columns[[datasets.table.Table.num_columns]]

```python
num_columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L436)

**Devuelve:**

int

Número de columnas en esta tabla.

#### num_rows[[datasets.table.Table.num_rows]]

```python
num_rows()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L446)

**Devuelve:**

int

Número de filas en esta tabla.

Debido a la definición de una tabla, todas las columnas tienen el mismo número de filas.

#### shape[[datasets.table.Table.shape]]

```python
shape()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L459)

**Devuelve:** `(int, int)`

Número de filas y número de columnas.

Dimensiones de la tabla: (#filas, #columnas).

#### nbytes[[datasets.table.Table.nbytes]]

```python
nbytes()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L469)

Número total de bytes consumidos por los elementos de la tabla.

## InMemoryTable[[datasets.table.InMemoryTable]]

#### datasets.table.InMemoryTable[[datasets.table.InMemoryTable]]

```python
datasets.table.InMemoryTable(table: Table)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L695)

Se dice que la tabla está en memoria cuando se carga en la RAM del usuario.

Al serializarlo, se copia todos los datos usando memoria. Su implementación es simple y utiliza directamente los métodos de la tabla subyacente de pyarrow.

Esto es diferente de la tabla `MemoryMapped`, para la cual el pickling no copia todos los datos en memoria. Para una `MemoryMapped`, el unpickling vuelve a cargar la tabla desde el disco.

`InMemoryTable` debe usarse cuando los datos caben en memoria, mientras que `MemoryMapped` están reservados para datos más grandes que la memoria o cuando se desea que la huella de memoria de la aplicación se mantenga baja.

#### validate[[datasets.table.InMemoryTable.validate]]

```python
validate(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L235)

**Parámetros:**

full (`bool`, por defecto `False`) : Si `True`, ejecuta comprobaciones costosas; en caso contrario, solo ejecuta comprobaciones económicas.

**Excepciones:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- si la validación falla

Realiza comprobaciones de validación. Se lanza una excepción si la validación falla.

Por defecto, solo se ejecutan comprobaciones de validación de bajo coste. Pasa `full=True` para realizar comprobaciones de validación exhaustivas (potencialmente `O(n)`).

#### equals[[datasets.table.InMemoryTable.equals]]

```python
equals(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L251)

**Parámetros:**

other ([Tabla](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)) : Tabla con la que comparar.

check_metadata `bool`, por defecto `False`) : Si se debe comprobar también la igualdad de los metadatos del esquema.

**Devuelve:** `bool`

Comprueba si el contenido de dos tablas es igual.

#### to_batches[[datasets.table.InMemoryTable.to_batches]]

```python
to_batches(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L268)

**Parámetros:**

max_chunksize (`int`, por defecto `None`) : Tamaño máximo para los fragmentos de `RecordBatch`. Los fragmentos individuales pueden ser más pequeños dependiendo de la disposición de los fragmentos de las columnas individuales.

**Devuelve:**

`List[pyarrow.RecordBatch]`

Convierte una tabla en una lista de objetos `RecordBatch` (contiguos).

#### to_pydict[[datasets.table.InMemoryTable.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L282)

**Devuelve:** `dict`

Convierte la Table en un `dict` o un `OrderedDict`.

#### to_pandas[[datasets.table.InMemoryTable.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L300)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : MemoryPool de Arrow que se usará para las asignaciones. Si no se pasa ninguna, se utiliza el pool de memoria predeterminado.

strings_to_categorical (`bool`, por defecto `False`) : Codifica los tipos de cadena (UTF8) y binarios a `pandas.Categorical`.

categories (`list`, por defecto `empty`) : Lista de campos que deben devolverse como `pandas.Categorical`. Solo se aplica a estructuras de datos tipo tabla.

zero_copy_only (`bool`, por defecto `False`) : Lanza una `ArrowException` si esta llamada a la función requeriría copiar los datos subyacentes.

integer_object_nulls (`bool`, por defecto `False`) : Convierte los enteros con valores nulos en objetos.

date_as_object (`bool`, por defecto `True`) : Convierte las fechas en objetos. Si es `False`, se convierte al tipo de datos `datetime64[ns]`.

timestamp_as_object (`bool`, por defecto `False`) : Convierte las marcas de tiempo que no están en nanosegundos (`np.datetime64`) en objetos. Esto es útil si tienes marcas de tiempo que no encajan en el rango de fechas normal de las marcas de tiempo en nanosegundos (1678 d. C.-2262 d. C.). Si es `False`, todas las marcas de tiempo se convierten al tipo de datos `datetime64[ns]`.

use_threads (`bool`, por defecto `True`) : Si se debe paralelizar la conversión usando múltiples hilos.

deduplicate_objects (`bool`, por defecto `False`) : No crear múltiples copias de objetos de Python al crearse, para ahorrar memoria. La conversión será más lenta.

ignore_metadata (`bool`, por defecto `False`) : Si `True`, no usar los metadatos de 'pandas' para reconstruir el índice del DataFrame, si está presente.

safe (`bool`, por defecto `True`) : Para ciertos tipos de datos, se necesita un cast para almacenar los datos en un DataFrame o Series de pandas (p. ej., los timestamps siempre se almacenan como nanosegundos en pandas). Esta opción controla si el cast es seguro o no.

split_blocks (`bool`, por defecto `False`) : Si `True`, genera un "bloque" interno para cada columna al crear un pandas.DataFrame a partir de un `RecordBatch` o `Table`. Si bien esto puede reducir temporalmente la memoria, tenga en cuenta que varias operaciones de pandas pueden provocar una "consolidación" que puede aumentar drásticamente el uso de memoria.

self_destruct (`bool`, por defecto `False`) : EXPERIMENTAL: Si `True`, intenta desasignar la memoria de Arrow de origen al convertir el objeto Arrow a pandas. Si usas el objeto después de llamar a `to_pandas` con esta opción, tu programa se bloqueará.

types_mapper (`function`, por defecto `None`) : Una función que mapea un DataType de pyarrow a un `ExtensionDtype` de pandas. Esto se puede usar para sobrescribir el tipo de pandas predeterminado para la conversión de tipos integrados de pyarrow o en ausencia de `pandas_metadata` en el esquema de la Tabla. La función recibe un DataType de pyarrow y se espera que devuelva un `ExtensionDtype` de pandas o `None` si se debe usar la conversión predeterminada para ese tipo. Si tienes un mapeo de diccionario, puedes pasar `dict.get` como función.

**Devuelve:** `pandas.Series` o `pandas.DataFrame`

`pandas.Series` o `pandas.DataFrame` según el tipo de objeto

Convierta a un array de NumPy o un DataFrame compatible con pandas, según corresponda.

#### to_string[[datasets.table.InMemoryTable.to_string]]

```python
to_string(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L362)

#### campo[[datasets.table.InMemoryTable.field]]

```python
field(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L381)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre del campo a recuperar.

**Devuelve:**

`pyarrow.Field`

Seleccione un campo del esquema por su nombre de columna o índice numérico.

#### columna[[datasets.table.InMemoryTable.column]]

```python
column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L394)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre de la columna a recuperar.

**Devuelve:**

`pyarrow.ChunkedArray`

Seleccione una columna por su nombre de columna o por su índice numérico.

#### itercolumns[[datasets.table.InMemoryTable.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L407)

**Devuelve:**

`pyarrow.ChunkedArray`

Itera sobre todas las columnas en su orden numérico.

#### esquema[[datasets.table.InMemoryTable.schema]]

```python
schema()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L416)

**Devuelve:**

`pyarrow.Schema`

Esquema de la tabla y sus columnas.

#### columnas[[datasets.table.InMemoryTable.columns]]

```python
columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L426)

**Devuelve:**

`List[pa.ChunkedArray]`

Lista de todas las columnas en orden numérico.

#### num_columns[[datasets.table.InMemoryTable.num_columns]]

```python
num_columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L436)

**Devuelve:**

int

Número de columnas en esta tabla.

#### num_rows[[datasets.table.InMemoryTable.num_rows]]

```python
num_rows()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L446)

**Devuelve:**

int

Número de filas en esta tabla.

Debido a la definición de una tabla, todas las columnas tienen el mismo número de filas.

#### shape[[datasets.table.InMemoryTable.shape]]

```python
shape()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L459)

**Devuelve:** `(int, int)`

Número de filas y número de columnas.

Dimensiones de la tabla: (#filas, #columnas).

#### nbytes[[datasets.table.InMemoryTable.nbytes]]

```python
nbytes()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L469)

Número total de bytes consumidos por los elementos de la tabla.

#### column_names[[datasets.table.InMemoryTable.column_names]]

```python
column_names()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L476)

Nombres de las columnas de la tabla.

#### slice[[datasets.table.InMemoryTable.slice]]

```python
slice(offset = 0, length = None)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L859)

**Parámetros:**

offset (`int`, por defecto `0`) : Desplazamiento desde el inicio de la tabla para la porción.

length (`int`, por defecto `None`) : Longitud de la porción (por defecto, hasta el final de la tabla a partir de la posición inicial).

**Devuelve:**

`datasets.table.Table`

Calcula una porción de copia cero de esta Table.

#### filtro[[datasets.table.InMemoryTable.filter]]

```python
filter(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L876)

Seleccione registros de una Table. Consulte `pyarrow.compute.filter` para el uso completo.

#### flatten[[datasets.table.InMemoryTable.flatten]]

```python
flatten(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L882)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : Para las asignaciones de memoria, si es necesario; de lo contrario, se utiliza el pool predeterminado.

**Devuelve:**

`datasets.table.Table`

Aplana esta tabla. Cada columna con un tipo de estructura se aplana en una columna por cada campo de la estructura. Las demás columnas se dejan sin cambios.

#### combine_chunks[[datasets.table.InMemoryTable.combine_chunks]]

```python
combine_chunks(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L896)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : Para las asignaciones de memoria, si es necesario; de lo contrario, se utiliza el pool predeterminado.

**Devuelve:**

`datasets.table.Table`

Crea una nueva tabla combinando los fragmentos que tiene esta tabla.

Todos los subconjuntos subyacentes en el `ChunkedArray` de cada columna se concatenan en cero o un solo subconjunto.

#### cast[[datasets.table.InMemoryTable.cast]]

```python
cast(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L912)

**Parámetros:**

target_schema (`Schema`) : Esquema al que se debe convertir; los nombres y el orden de los campos deben coincidir.

safe (`bool`, por defecto `True`) : Comprueba desbordamientos u otras conversiones no seguras.

**Devuelve:**

`datasets.table.Table`

Convierte los valores de la tabla a otro esquema.

#### replace_schema_metadata[[datasets.table.InMemoryTable.replace_schema_metadata]]

```python
replace_schema_metadata(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L927)

**Parámetros:**

metadata (`dict`, por defecto `None`) --

**Devuelve:** `datasets.table.Table`

shallow_copy

EXPERIMENTAL: Crea una copia superficial de la tabla reemplazando los metadatos clave-valor del esquema con los nuevos metadatos indicados (que pueden ser `None`, lo que elimina cualquier metadato existente).

#### add_column[[datasets.table.InMemoryTable.add_column]]

```python
add_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L941)

**Parámetros:**

i (`int`) : Índice para colocar la columna.

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con la columna pasada añadida.

Agrega una columna a la tabla en la posición indicada.

Se devuelve una tabla nueva con la columna añadida; el objeto de tabla original permanece sin cambios.

#### append_column[[datasets.table.InMemoryTable.append_column]]

```python
append_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L962)

**Parámetros:**

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con la columna pasada añadida.

Agrega la columna al final de las columnas.

#### remove_column[[datasets.table.InMemoryTable.remove_column]]

```python
remove_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L979)

**Parámetros:**

i (`int`) : Índice de la columna a eliminar.

**Devuelve:** `datasets.table.Table`

Nueva tabla sin la columna.

Crea una nueva Table con la columna indicada eliminada.

#### set_column[[datasets.table.InMemoryTable.set_column]]

```python
set_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L993)

**Parámetros:**

i (`int`) : Índice para colocar la columna.

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con el conjunto de columnas pasado.

Reemplazar la columna en la posición de la tabla.

#### rename_columns[[datasets.table.InMemoryTable.rename_columns]]

```python
rename_columns(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1012)

Crea una tabla nueva con las columnas renombradas a los nombres proporcionados.

#### seleccionar[[datasets.table.InMemoryTable.select]]

```python
select(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1035)

**Parámetros:**

columns (`Union[List[str], List[int]]`) : Los nombres de las columnas o los índices enteros a seleccionar.

**Devuelve:** [datasets.table.Table](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)

Nueva tabla con las columnas especificadas y los metadatos conservados.

Selecciona columnas de la tabla.

Devuelve una nueva tabla con las columnas especificadas y los metadatos conservados.

#### drop[[datasets.table.InMemoryTable.drop]]

```python
drop(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1018)

**Parámetros:**

columns (`List[str]`) : Lista de nombres de campos que hacen referencia a columnas existentes.

**Devuelve:** `datasets.table.Table`

Nueva tabla sin las columnas.

**Excepciones:** ``KeyError``

- ``KeyError`` -- : si alguno de los nombres de columnas pasados no existe.

Descarta una o más columnas y devuelve una nueva tabla.

#### from_file[[datasets.table.InMemoryTable.from_file]]

```python
from_file(filename: str)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L719)

#### from_buffer[[datasets.table.InMemoryTable.from_buffer]]

```python
from_buffer(buffer: Buffer)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L724)

#### from_pandas[[datasets.table.InMemoryTable.from_pandas]]

```python
from_pandas(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L729)

**Parámetros:**

df (`pandas.DataFrame`) --

schema (`pyarrow.Schema`, *opcional*) : El esquema esperado de la tabla Arrow. Esto se puede usar para indicar el tipo de columnas si no se puede inferir automáticamente. Si se pasa, la salida tendrá exactamente este esquema. Las columnas especificadas en el esquema que no se encuentran en las columnas del DataFrame o en su índice provocarán un error. Las columnas adicionales o los niveles de índice del DataFrame que no se especifican en el esquema se ignorarán.

preserve_index (`bool`, *opcional*) : Si se debe almacenar el índice como una columna adicional en la `Table` resultante. El valor predeterminado de None almacenará el índice como una columna, excepto para RangeIndex, que se almacena solo como metadatos. Use `preserve_index=True` para forzar que se almacene como una columna.

nthreads (`int`, por defecto `None` (puede usar hasta el número de CPUs del sistema como hilos)) : Si es mayor que 1, convierte las columnas a Arrow en paralelo usando el número de hilos indicado.

columns (`List[str]`, *opcional*) : Lista de columnas que se van a convertir. Si es `None`, se usan todas las columnas.

safe (`bool`, por defecto `True`) : Comprueba desbordamientos u otras conversiones no seguras,

**Devuelve:** `datasets.table.Table`

Convertir un pandas.DataFrame a una tabla Arrow.

Los tipos de columna en la Tabla Arrow resultante se infieren a partir de los dtypes de los pandas.Series en el DataFrame. En el caso de Series que no son de tipo object, el dtype de NumPy se traduce a su equivalente en Arrow. En el caso de `object`, es necesario inferir el tipo de datos examinando los objetos Python presentes en esta Series.

Tenga en cuenta que las Series de tipo `object` no contienen suficiente información para determinar siempre un tipo Arrow significativo. En el caso de que no podamos inferir un tipo, por ejemplo, porque el DataFrame tiene longitud 0 o la Series solo contiene objetos `None/nan`, el tipo se establece como null. Este comportamiento se puede evitar construyendo un esquema explícito y pasándolo a esta función.

Ejemplos:
```python
>>> import pandas as pd
>>> import pyarrow as pa
>>> df = pd.DataFrame({
    ...     'int': [1, 2],
    ...     'str': ['a', 'b']
    ... })
>>> pa.Table.from_pandas(df)
<pyarrow.lib.Table object at 0x7f05d1fb1b40>
```

#### from_arrays[[datasets.table.InMemoryTable.from_arrays]]

```python
from_arrays(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L787)

**Parámetros:**

arrays (`List[Union[pyarrow.Array, pyarrow.ChunkedArray]]`) : Arreglos de longitud igual que deben formar la tabla.

names (`List[str]`, *opcional*) : Nombres para las columnas de la tabla. Si no se pasa, se debe pasar el esquema.

schema (`Schema`, por defecto `None`) : Esquema para la tabla creada. Si no se pasa, deben pasarse los nombres.

metadata (`Union[dict, Mapping]`, por defecto `None`) : Metadatos opcionales para el esquema (si se infiere).

**Devuelve:**

`datasets.table.Table`

Construir una tabla a partir de matrices Arrow.

#### from_pydict[[datasets.table.InMemoryTable.from_pydict]]

```python
from_pydict(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L807)

**Parámetros:**

mapping (`Union[dict, Mapping]`) : Un mapeo de cadenas a Arrays o listas de Python.

schema (`Schema`, por defecto `None`) : Si no se pasa, se inferirá a partir de los valores del Mapping

metadata (`Union[dict, Mapping]`, por defecto `None`) : Metadatos opcionales para el esquema (si se infiere).

**Devuelve:**

`datasets.table.Table`

Construir una tabla a partir de arrays o columnas de Arrow.

#### from_batches[[datasets.table.InMemoryTable.from_batches]]

```python
from_batches(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L843)

**Parámetros:**

batches (`Union[Sequence[pyarrow.RecordBatch], Iterator[pyarrow.RecordBatch]]`) : Secuencia de `RecordBatch` a convertir; todos los esquemas deben ser iguales.

schema (`Schema`, por defecto `None`) : Si no se pasa, se inferirá a partir del primer `RecordBatch`.

**Devuelve:** `datasets.table.Table`

Construir una tabla a partir de una secuencia o iterador de `RecordBatches` de Arrow.

## MemoryMappedTable[[datasets.table.MemoryMappedTable]]

#### datasets.table.MemoryMappedTable[[datasets.table.MemoryMappedTable]]

```python
datasets.table.MemoryMappedTable(table: Table, path: str, replays: typing.Optional[list[tuple[str, tuple, dict]]] = None)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1055)

Se dice que la tabla está mapeada en memoria cuando no utiliza la RAM del usuario, sino que carga los datos desde el disco.

Al serializarlo, no se copia los datos en memoria. En su lugar, solo se serializa la ruta al archivo arrow mapeado en memoria, así como la lista de transformaciones para “reproducir” al recargar la tabla desde el disco.

Su implementación requiere almacenar un historial de todas las transformaciones aplicadas a la tabla pyarrow subyacente, para que puedan "reproducirse" al recargar la tabla desde el disco.

Esto es diferente de la tabla `InMemoryTable`, para la cual el pickling sí copia todos los datos en memoria.

`InMemoryTable` debe usarse cuando los datos caben en memoria, mientras que `MemoryMapped` están reservados para datos más grandes que la memoria o cuando se desea que la huella de memoria de la aplicación se mantenga baja.

#### validate[[datasets.table.MemoryMappedTable.validate]]

```python
validate(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L235)

**Parámetros:**

full (`bool`, por defecto `False`) : Si `True`, ejecuta comprobaciones costosas; en caso contrario, solo ejecuta comprobaciones económicas.

**Excepciones:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- si la validación falla

Realiza comprobaciones de validación. Se lanza una excepción si la validación falla.

Por defecto, solo se ejecutan comprobaciones de validación de bajo coste. Pasa `full=True` para realizar comprobaciones de validación exhaustivas (potencialmente `O(n)`).

#### equals[[datasets.table.MemoryMappedTable.equals]]

```python
equals(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L251)

**Parámetros:**

other ([Tabla](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)) : Tabla con la que comparar.

check_metadata `bool`, por defecto `False`) : Si se debe comprobar también la igualdad de los metadatos del esquema.

**Devuelve:** `bool`

Comprueba si el contenido de dos tablas es igual.

#### to_batches[[datasets.table.MemoryMappedTable.to_batches]]

```python
to_batches(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L268)

**Parámetros:**

max_chunksize (`int`, por defecto `None`) : Tamaño máximo para los fragmentos de `RecordBatch`. Los fragmentos individuales pueden ser más pequeños dependiendo de la disposición de los fragmentos de las columnas individuales.

**Devuelve:**

`List[pyarrow.RecordBatch]`

Convierte una tabla en una lista de objetos `RecordBatch` (contiguos).

#### to_pydict[[datasets.table.MemoryMappedTable.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L282)

**Devuelve:** `dict`

Convierte la Table en un `dict` o un `OrderedDict`.

#### to_pandas[[datasets.table.MemoryMappedTable.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L300)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : MemoryPool de Arrow que se usará para las asignaciones. Si no se pasa ninguna, se utiliza el pool de memoria predeterminado.

strings_to_categorical (`bool`, por defecto `False`) : Codifica los tipos de cadena (UTF8) y binarios a `pandas.Categorical`.

categories (`list`, por defecto `empty`) : Lista de campos que deben devolverse como `pandas.Categorical`. Solo se aplica a estructuras de datos tipo tabla.

zero_copy_only (`bool`, por defecto `False`) : Lanza una `ArrowException` si esta llamada a la función requeriría copiar los datos subyacentes.

integer_object_nulls (`bool`, por defecto `False`) : Convierte los enteros con valores nulos en objetos.

date_as_object (`bool`, por defecto `True`) : Convierte las fechas en objetos. Si es `False`, se convierte al tipo de datos `datetime64[ns]`.

timestamp_as_object (`bool`, por defecto `False`) : Convierte las marcas de tiempo que no están en nanosegundos (`np.datetime64`) en objetos. Esto es útil si tienes marcas de tiempo que no encajan en el rango de fechas normal de las marcas de tiempo en nanosegundos (1678 d. C.-2262 d. C.). Si es `False`, todas las marcas de tiempo se convierten al tipo de datos `datetime64[ns]`.

use_threads (`bool`, por defecto `True`) : Si se debe paralelizar la conversión usando múltiples hilos.

deduplicate_objects (`bool`, por defecto `False`) : No crear múltiples copias de objetos de Python al crearse, para ahorrar memoria. La conversión será más lenta.

ignore_metadata (`bool`, por defecto `False`) : Si `True`, no usar los metadatos de 'pandas' para reconstruir el índice del DataFrame, si está presente.

safe (`bool`, por defecto `True`) : Para ciertos tipos de datos, se necesita un cast para almacenar los datos en un DataFrame o Series de pandas (p. ej., los timestamps siempre se almacenan como nanosegundos en pandas). Esta opción controla si el cast es seguro o no.

split_blocks (`bool`, por defecto `False`) : Si `True`, genera un "bloque" interno para cada columna al crear un pandas.DataFrame a partir de un `RecordBatch` o `Table`. Si bien esto puede reducir temporalmente la memoria, tenga en cuenta que varias operaciones de pandas pueden provocar una "consolidación" que puede aumentar drásticamente el uso de memoria.

self_destruct (`bool`, por defecto `False`) : EXPERIMENTAL: Si `True`, intenta desasignar la memoria de Arrow de origen al convertir el objeto Arrow a pandas. Si usas el objeto después de llamar a `to_pandas` con esta opción, tu programa se bloqueará.

types_mapper (`function`, por defecto `None`) : Una función que mapea un DataType de pyarrow a un `ExtensionDtype` de pandas. Esto se puede usar para sobrescribir el tipo de pandas predeterminado para la conversión de tipos integrados de pyarrow o en ausencia de `pandas_metadata` en el esquema de la Tabla. La función recibe un DataType de pyarrow y se espera que devuelva un `ExtensionDtype` de pandas o `None` si se debe usar la conversión predeterminada para ese tipo. Si tienes un mapeo de diccionario, puedes pasar `dict.get` como función.

**Devuelve:** `pandas.Series` o `pandas.DataFrame`

`pandas.Series` o `pandas.DataFrame` según el tipo de objeto

Convierta a un array de NumPy o un DataFrame compatible con pandas, según corresponda.

#### to_string[[datasets.table.MemoryMappedTable.to_string]]

```python
to_string(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L362)

#### campo[[datasets.table.MemoryMappedTable.field]]

```python
field(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L381)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre del campo a recuperar.

**Devuelve:**

`pyarrow.Field`

Seleccione un campo del esquema por su nombre de columna o índice numérico.

#### columna[[datasets.table.MemoryMappedTable.column]]

```python
column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L394)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre de la columna a recuperar.

**Devuelve:**

`pyarrow.ChunkedArray`

Seleccione una columna por su nombre de columna o por su índice numérico.

#### itercolumns[[datasets.table.MemoryMappedTable.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L407)

**Devuelve:**

`pyarrow.ChunkedArray`

Itera sobre todas las columnas en su orden numérico.

#### esquema[[datasets.table.MemoryMappedTable.schema]]

```python
schema()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L416)

**Devuelve:**

`pyarrow.Schema`

Esquema de la tabla y sus columnas.

#### columnas[[datasets.table.MemoryMappedTable.columns]]

```python
columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L426)

**Devuelve:**

`List[pa.ChunkedArray]`

Lista de todas las columnas en orden numérico.

#### num_columns[[datasets.table.MemoryMappedTable.num_columns]]

```python
num_columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L436)

**Devuelve:**

int

Número de columnas en esta tabla.

#### num_rows[[datasets.table.MemoryMappedTable.num_rows]]

```python
num_rows()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L446)

**Devuelve:**

int

Número de filas en esta tabla.

Debido a la definición de una tabla, todas las columnas tienen el mismo número de filas.

#### shape[[datasets.table.MemoryMappedTable.shape]]

```python
shape()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L459)

**Devuelve:** `(int, int)`

Número de filas y número de columnas.

Dimensiones de la tabla: (#filas, #columnas).

#### nbytes[[datasets.table.MemoryMappedTable.nbytes]]

```python
nbytes()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L469)

Número total de bytes consumidos por los elementos de la tabla.

#### column_names[[datasets.table.MemoryMappedTable.column_names]]

```python
column_names()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L476)

Nombres de las columnas de la tabla.

#### slice[[datasets.table.MemoryMappedTable.slice]]

```python
slice(offset = 0, length = None)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1114)

**Parámetros:**

offset (`int`, por defecto `0`) : Desplazamiento desde el inicio de la tabla para la porción.

length (`int`, por defecto `None`) : Longitud de la porción (por defecto, hasta el final de la tabla a partir de la posición inicial).

**Devuelve:**

`datasets.table.Table`

Calcula una porción de copia cero de esta Table.

#### filtro[[datasets.table.MemoryMappedTable.filter]]

```python
filter(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1133)

Seleccione registros de una Table. Consulte `pyarrow.compute.filter` para el uso completo.

#### flatten[[datasets.table.MemoryMappedTable.flatten]]

```python
flatten(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1141)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : Para las asignaciones de memoria, si es necesario; de lo contrario, se utiliza el pool predeterminado.

**Devuelve:**

`datasets.table.Table`

Aplana esta tabla. Cada columna con un tipo de estructura se aplana en una columna por cada campo de la estructura. Las demás columnas se dejan sin cambios.

#### combine_chunks[[datasets.table.MemoryMappedTable.combine_chunks]]

```python
combine_chunks(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1157)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : Para las asignaciones de memoria, si es necesario; de lo contrario, se utiliza el pool predeterminado.

**Devuelve:**

`datasets.table.Table`

Crea una nueva tabla combinando los fragmentos que tiene esta tabla.

Todos los subconjuntos subyacentes en el ChunkedArray de cada columna se concatenan en cero o un solo subconjunto.

#### cast[[datasets.table.MemoryMappedTable.cast]]

```python
cast(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1175)

**Parámetros:**

target_schema (`Schema`) : Esquema al que se debe convertir; los nombres y el orden de los campos deben coincidir.

safe (`bool`, por defecto `True`) : Comprueba desbordamientos u otras conversiones no seguras.

**Devuelve:**

`datasets.table.Table`

Convertir los valores de la tabla a otro esquema

#### replace_schema_metadata[[datasets.table.MemoryMappedTable.replace_schema_metadata]]

```python
replace_schema_metadata(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1192)

**Parámetros:**

metadata (`dict`, por defecto `None`) --

**Devuelve:** `datasets.table.Table`

shallow_copy

EXPERIMENTAL: Crea una copia superficial de la tabla reemplazando los metadatos clave-valor del esquema con los nuevos metadatos indicados (que pueden ser None, lo que elimina cualquier metadato existente.

#### add_column[[datasets.table.MemoryMappedTable.add_column]]

```python
add_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1208)

**Parámetros:**

i (`int`) : Índice para colocar la columna.

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con la columna pasada añadida.

Agrega una columna a la tabla en la posición indicada.

Se devuelve una tabla nueva con la columna añadida; el objeto de tabla original permanece sin cambios.

#### append_column[[datasets.table.MemoryMappedTable.append_column]]

```python
append_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1231)

**Parámetros:**

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con la columna pasada añadida.

Agrega la columna al final de las columnas.

#### remove_column[[datasets.table.MemoryMappedTable.remove_column]]

```python
remove_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1250)

**Parámetros:**

i (`int`) : Índice de la columna a eliminar.

**Devuelve:** `datasets.table.Table`

Nueva tabla sin la columna.

Crea una nueva Table con la columna indicada eliminada.

#### set_column[[datasets.table.MemoryMappedTable.set_column]]

```python
set_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1266)

**Parámetros:**

i (`int`) : Índice para colocar la columna.

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con el conjunto de columnas pasado.

Reemplazar la columna en la posición de la tabla.

#### rename_columns[[datasets.table.MemoryMappedTable.rename_columns]]

```python
rename_columns(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1287)

Crea una tabla nueva con las columnas renombradas a los nombres proporcionados.

#### seleccionar[[datasets.table.MemoryMappedTable.select]]

```python
select(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1314)

**Parámetros:**

columns (`Union[List[str], List[int]]`) : Los nombres de las columnas o los índices enteros a seleccionar.

**Devuelve:** [datasets.table.Table](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)

Nueva tabla con las columnas especificadas y los metadatos conservados.

Selecciona columnas de la tabla.

Devuelve una nueva tabla con las columnas especificadas y los metadatos conservados.

#### drop[[datasets.table.MemoryMappedTable.drop]]

```python
drop(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1295)

**Parámetros:**

columns (`List[str]`) : Lista de nombres de campos que hacen referencia a columnas existentes.

**Devuelve:** `datasets.table.Table`

Nueva tabla sin las columnas.

**Excepciones:** ``KeyError``

- ``KeyError`` -- : si alguno de los nombres de columnas pasados no existe.

Descarta una o más columnas y devuelve una nueva tabla.

#### from_file[[datasets.table.MemoryMappedTable.from_file]]

```python
from_file(filename: str, replays = None)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1081)

## ConcatenationTable[[datasets.table.ConcatenationTable]]

#### datasets.table.ConcatenationTable[[datasets.table.ConcatenationTable]]

```python
datasets.table.ConcatenationTable(table: Table, blocks: list)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1339)

La tabla proviene de la concatenación de varias tablas llamadas bloques. Permite la concatenación tanto en el eje 0 (agregar filas) como en el eje 1 (agregar columnas).

Las tablas subyacentes se denominan "bloques" y pueden ser objetos `InMemoryTable` o `MemoryMappedTable`. Esto permite combinar tablas que provienen de memoria o que están mapeadas en memoria. Cuando un `ConcatenationTable` se serializa con pickle, cada bloque se serializa:
- los objetos `InMemoryTable` se serializan mediante pickle copiando todos los datos en memoria.
- los objetos MemoryMappedTable se serializan con pickle sin copiar los datos a la memoria.
En su lugar, solo se serializa la ruta al archivo arrow mapeado en memoria, así como la lista de transformaciones para "reproducir" al recargar la tabla desde el disco.

Su implementación requiere almacenar cada bloque por separado. El atributo `blocks` almacena una lista de listas de bloques. El primer eje concatena las tablas a lo largo del eje 0 (añade filas), mientras que el segundo eje concatena las tablas a lo largo del eje 1 (añade columnas).

Si faltan algunas columnas al concatenar en el eje 0, se rellenan con valores nulos. Esto se hace usando `pyarrow.concat_tables(tables, promote=True)`.

Puede acceder a la tabla completamente combinada accediendo al atributo `ConcatenationTable.table`, y a los bloques accediendo al atributo `ConcatenationTable.blocks`.

#### validate[[datasets.table.ConcatenationTable.validate]]

```python
validate(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L235)

**Parámetros:**

full (`bool`, por defecto `False`) : Si `True`, ejecuta comprobaciones costosas; en caso contrario, solo ejecuta comprobaciones económicas.

**Excepciones:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- si la validación falla

Realiza comprobaciones de validación. Se lanza una excepción si la validación falla.

Por defecto, solo se ejecutan comprobaciones de validación de bajo coste. Pasa `full=True` para realizar comprobaciones de validación exhaustivas (potencialmente `O(n)`).

#### equals[[datasets.table.ConcatenationTable.equals]]

```python
equals(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L251)

**Parámetros:**

other ([Tabla](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)) : Tabla con la que comparar.

check_metadata `bool`, por defecto `False`) : Si se debe comprobar también la igualdad de los metadatos del esquema.

**Devuelve:** `bool`

Comprueba si el contenido de dos tablas es igual.

#### to_batches[[datasets.table.ConcatenationTable.to_batches]]

```python
to_batches(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L268)

**Parámetros:**

max_chunksize (`int`, por defecto `None`) : Tamaño máximo para los fragmentos de `RecordBatch`. Los fragmentos individuales pueden ser más pequeños dependiendo de la disposición de los fragmentos de las columnas individuales.

**Devuelve:**

`List[pyarrow.RecordBatch]`

Convierte una tabla en una lista de objetos `RecordBatch` (contiguos).

#### to_pydict[[datasets.table.ConcatenationTable.to_pydict]]

```python
to_pydict(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L282)

**Devuelve:** `dict`

Convierte la Table en un `dict` o un `OrderedDict`.

#### to_pandas[[datasets.table.ConcatenationTable.to_pandas]]

```python
to_pandas(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L300)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : MemoryPool de Arrow que se usará para las asignaciones. Si no se pasa ninguna, se utiliza el pool de memoria predeterminado.

strings_to_categorical (`bool`, por defecto `False`) : Codifica los tipos de cadena (UTF8) y binarios a `pandas.Categorical`.

categories (`list`, por defecto `empty`) : Lista de campos que deben devolverse como `pandas.Categorical`. Solo se aplica a estructuras de datos tipo tabla.

zero_copy_only (`bool`, por defecto `False`) : Lanza una `ArrowException` si esta llamada a la función requeriría copiar los datos subyacentes.

integer_object_nulls (`bool`, por defecto `False`) : Convierte los enteros con valores nulos en objetos.

date_as_object (`bool`, por defecto `True`) : Convierte las fechas en objetos. Si es `False`, se convierte al tipo de datos `datetime64[ns]`.

timestamp_as_object (`bool`, por defecto `False`) : Convierte las marcas de tiempo que no están en nanosegundos (`np.datetime64`) en objetos. Esto es útil si tienes marcas de tiempo que no encajan en el rango de fechas normal de las marcas de tiempo en nanosegundos (1678 d. C.-2262 d. C.). Si es `False`, todas las marcas de tiempo se convierten al tipo de datos `datetime64[ns]`.

use_threads (`bool`, por defecto `True`) : Si se debe paralelizar la conversión usando múltiples hilos.

deduplicate_objects (`bool`, por defecto `False`) : No crear múltiples copias de objetos de Python al crearse, para ahorrar memoria. La conversión será más lenta.

ignore_metadata (`bool`, por defecto `False`) : Si `True`, no usar los metadatos de 'pandas' para reconstruir el índice del DataFrame, si está presente.

safe (`bool`, por defecto `True`) : Para ciertos tipos de datos, se necesita un cast para almacenar los datos en un DataFrame o Series de pandas (p. ej., los timestamps siempre se almacenan como nanosegundos en pandas). Esta opción controla si el cast es seguro o no.

split_blocks (`bool`, por defecto `False`) : Si `True`, genera un "bloque" interno para cada columna al crear un pandas.DataFrame a partir de un `RecordBatch` o `Table`. Si bien esto puede reducir temporalmente la memoria, tenga en cuenta que varias operaciones de pandas pueden provocar una "consolidación" que puede aumentar drásticamente el uso de memoria.

self_destruct (`bool`, por defecto `False`) : EXPERIMENTAL: Si `True`, intenta desasignar la memoria de Arrow de origen al convertir el objeto Arrow a pandas. Si usas el objeto después de llamar a `to_pandas` con esta opción, tu programa se bloqueará.

types_mapper (`function`, por defecto `None`) : Una función que mapea un DataType de pyarrow a un `ExtensionDtype` de pandas. Esto se puede usar para sobrescribir el tipo de pandas predeterminado para la conversión de tipos integrados de pyarrow o en ausencia de `pandas_metadata` en el esquema de la Tabla. La función recibe un DataType de pyarrow y se espera que devuelva un `ExtensionDtype` de pandas o `None` si se debe usar la conversión predeterminada para ese tipo. Si tienes un mapeo de diccionario, puedes pasar `dict.get` como función.

**Devuelve:** `pandas.Series` o `pandas.DataFrame`

`pandas.Series` o `pandas.DataFrame` según el tipo de objeto

Convierta a un array de NumPy o un DataFrame compatible con pandas, según corresponda.

#### to_string[[datasets.table.ConcatenationTable.to_string]]

```python
to_string(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L362)

#### campo[[datasets.table.ConcatenationTable.field]]

```python
field(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L381)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre del campo a recuperar.

**Devuelve:**

`pyarrow.Field`

Seleccione un campo del esquema por su nombre de columna o índice numérico.

#### columna[[datasets.table.ConcatenationTable.column]]

```python
column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L394)

**Parámetros:**

i (`Union[int, str]`) : El índice o nombre de la columna a recuperar.

**Devuelve:**

`pyarrow.ChunkedArray`

Seleccione una columna por su nombre de columna o por su índice numérico.

#### itercolumns[[datasets.table.ConcatenationTable.itercolumns]]

```python
itercolumns(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L407)

**Devuelve:**

`pyarrow.ChunkedArray`

Itera sobre todas las columnas en su orden numérico.

#### esquema[[datasets.table.ConcatenationTable.schema]]

```python
schema()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L416)

**Devuelve:**

`pyarrow.Schema`

Esquema de la tabla y sus columnas.

#### columnas[[datasets.table.ConcatenationTable.columns]]

```python
columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L426)

**Devuelve:**

`List[pa.ChunkedArray]`

Lista de todas las columnas en orden numérico.

#### num_columns[[datasets.table.ConcatenationTable.num_columns]]

```python
num_columns()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L436)

**Devuelve:**

int

Número de columnas en esta tabla.

#### num_rows[[datasets.table.ConcatenationTable.num_rows]]

```python
num_rows()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L446)

**Devuelve:**

int

Número de filas en esta tabla.

Debido a la definición de una tabla, todas las columnas tienen el mismo número de filas.

#### shape[[datasets.table.ConcatenationTable.shape]]

```python
shape()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L459)

**Devuelve:** `(int, int)`

Número de filas y número de columnas.

Dimensiones de la tabla: (#filas, #columnas).

#### nbytes[[datasets.table.ConcatenationTable.nbytes]]

```python
nbytes()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L469)

Número total de bytes consumidos por los elementos de la tabla.

#### column_names[[datasets.table.ConcatenationTable.column_names]]

```python
column_names()
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L476)

Nombres de las columnas de la tabla.

#### slice[[datasets.table.ConcatenationTable.slice]]

```python
slice(offset = 0, length = None)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1548)

**Parámetros:**

offset (`int`, por defecto `0`) : Desplazamiento desde el inicio de la tabla para la porción.

length (`int`, por defecto `None`) : Longitud de la porción (por defecto, hasta el final de la tabla a partir de la posición inicial).

**Devuelve:**

`datasets.table.Table`

Calcula una porción de copia cero de esta Table.

#### filtro[[datasets.table.ConcatenationTable.filter]]

```python
filter(mask, *args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1579)

Seleccione registros de una Table. Consulte `pyarrow.compute.filter` para el uso completo.

#### flatten[[datasets.table.ConcatenationTable.flatten]]

```python
flatten(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1590)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : Para las asignaciones de memoria, si es necesario; de lo contrario, se utiliza el pool predeterminado.

**Devuelve:**

`datasets.table.Table`

Aplana esta tabla. Cada columna con un tipo de estructura se aplana en una columna por cada campo de la estructura. Las demás columnas se dejan sin cambios.

#### combine_chunks[[datasets.table.ConcatenationTable.combine_chunks]]

```python
combine_chunks(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1608)

**Parámetros:**

memory_pool (`MemoryPool`, por defecto `None`) : Para las asignaciones de memoria, si es necesario; de lo contrario, se utiliza el pool predeterminado.

**Devuelve:**

`datasets.table.Table`

Crea una nueva tabla combinando los fragmentos que tiene esta tabla.

Todos los subconjuntos subyacentes en el `ChunkedArray` de cada columna se concatenan en cero o un solo subconjunto.

#### cast[[datasets.table.ConcatenationTable.cast]]

```python
cast(target_schema, *args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1628)

**Parámetros:**

target_schema (`Schema`) : Esquema al que se debe convertir; los nombres y el orden de los campos deben coincidir.

safe (`bool`, por defecto `True`) : Comprueba desbordamientos u otras conversiones no seguras.

**Devuelve:**

`datasets.table.Table`

Convierte los valores de la tabla a otro esquema.

#### replace_schema_metadata[[datasets.table.ConcatenationTable.replace_schema_metadata]]

```python
replace_schema_metadata(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1659)

**Parámetros:**

metadata (`dict`, por defecto `None`) --

**Devuelve:** `datasets.table.Table`

shallow_copy

EXPERIMENTAL: Crea una copia superficial de la tabla reemplazando los metadatos clave-valor del esquema con los nuevos metadatos indicados (que pueden ser `None`, lo que elimina cualquier metadato existente).

#### add_column[[datasets.table.ConcatenationTable.add_column]]

```python
add_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1677)

**Parámetros:**

i (`int`) : Índice para colocar la columna.

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con la columna pasada añadida.

Agrega una columna a la tabla en la posición indicada.

Se devuelve una tabla nueva con la columna añadida; el objeto de tabla original permanece sin cambios.

#### append_column[[datasets.table.ConcatenationTable.append_column]]

```python
append_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1698)

**Parámetros:**

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con la columna pasada añadida.

Agrega la columna al final de las columnas.

#### remove_column[[datasets.table.ConcatenationTable.remove_column]]

```python
remove_column(i, *args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1715)

**Parámetros:**

i (`int`) : Índice de la columna a eliminar.

**Devuelve:** `datasets.table.Table`

Nueva tabla sin la columna.

Crea una nueva Table con la columna indicada eliminada.

#### set_column[[datasets.table.ConcatenationTable.set_column]]

```python
set_column(*args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1739)

**Parámetros:**

i (`int`) : Índice para colocar la columna.

field_ (`Union[str, pyarrow.Field]`) : Si se pasa una cadena de caracteres, el tipo se deduce a partir de los datos de la columna.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : Datos de la columna.

**Devuelve:** `datasets.table.Table`

Nueva tabla con el conjunto de columnas pasado.

Reemplazar la columna en la posición de la tabla.

#### rename_columns[[datasets.table.ConcatenationTable.rename_columns]]

```python
rename_columns(names, *args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1758)

Crea una tabla nueva con las columnas renombradas a los nombres proporcionados.

#### seleccionar[[datasets.table.ConcatenationTable.select]]

```python
select(columns, *args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1792)

**Parámetros:**

columns (`Union[List[str], List[int]]`) : Los nombres de las columnas o los índices enteros a seleccionar.

**Devuelve:** [datasets.table.Table](/docs/datasets/v5.2.0/es/package_reference/table_classes#datasets.table.Table)

Nueva tabla con las columnas especificadas y los metadatos conservados.

Selecciona columnas de la tabla.

Devuelve una nueva tabla con las columnas especificadas y los metadatos conservados.

#### drop[[datasets.table.ConcatenationTable.drop]]

```python
drop(columns, *args, **kwargs)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1771)

**Parámetros:**

columns (`List[str]`) : Lista de nombres de campos que hacen referencia a columnas existentes.

**Devuelve:** `datasets.table.Table`

Nueva tabla sin las columnas.

**Excepciones:** ``KeyError``

- ``KeyError`` -- : si alguno de los nombres de columnas pasados no existe.

Descarta una o más columnas y devuelve una nueva tabla.

#### from_blocks[[datasets.table.ConcatenationTable.from_blocks]]

```python
from_blocks(blocks: ~TableBlockContainer)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1444)

#### from_tables[[datasets.table.ConcatenationTable.from_tables]]

```python
from_tables(tables: list, axis: int = 0)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1458)

**Parámetros:**

tables (lista de `Table` o lista de `pyarrow.Table`) : Lista de tablas.

axis (`{0, 1}`, por defecto `0`, lo que significa sobre filas): Eje sobre el que concatenar, donde `0` significa sobre filas (verticalmente) y `1` significa sobre columnas (horizontalmente).

Crea `ConcatenationTable` a partir de una lista de tablas.

## Utilidades[[datasets.table.concat_tables]]

#### datasets.table.concat_tables[[datasets.table.concat_tables]]

```python
datasets.table.concat_tables(tables: list, axis: int = 0)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1812)

**Parámetros:**

tables (lista de `Table`) : Lista de tablas que se van a concatenar.

axis (`{0, 1}`, por defecto `0`, lo que significa sobre filas): Eje sobre el que concatenar, donde `0` significa sobre filas (verticalmente) y `1` significa sobre columnas (horizontalmente).

**Devuelve:** `datasets.table.Table`

Si el número de tablas de entrada es > 1, la tabla devuelta es una `datasets.table.ConcatenationTable`. En caso contrario, si solo hay una tabla, se devuelve tal cual.

Concatenar tablas.

#### datasets.table.list_table_cache_files[[datasets.table.list_table_cache_files]]

```python
datasets.table.list_table_cache_files(table: Table)
```

[Fuente](https://github.com/huggingface/datasets/blob/5.2.0/src/datasets/table.py#L1835)

**Devuelve:** `List[str]`

Una lista de rutas a los archivos de caché cargados por la tabla.

Obtenga los archivos de caché que carga la tabla. Los archivos de caché se utilizan cuando partes de la tabla provienen del disco mediante mapeo de memoria.