# 테이블 클래스

각 `Dataset` 객체는 PyArrow Table에 의해 뒷받침됩니다. Table은 디스크(메모리 매핑) 또는 메모리에서 로드될 수 있습니다. 여러 Table 유형이 있으며, 모두 [table.Table](/docs/datasets/v5.2.0/ko/package_reference/table_classes#datasets.table.Table)에서 상속됩니다.

## 표[[datasets.table.Table]]

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

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

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

composition을 사용하여 pyarrow Table을 래핑합니다. 이는 `InMemoryTable`, `MemoryMappedTable`, `ConcatenationTable`의 기본 클래스입니다.

pyarrow Table 클래스의 Table 변환을 제외한 모든 기본 속성/메서드를 구현합니다: `slice, filter, flatten, combine_chunks, cast, add_column, append_column, remove_column, set_column, rename_columns` 및 `drop`.

이러한 메서드의 구현은 하위 클래스에 따라 다릅니다.

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

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

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

**매개변수:**

full (`bool`, 기본값은 `False`) : `True`인 경우 비용이 높은 검사를 실행하고, 그렇지 않으면 비용이 낮은 검사만 실행합니다.

**예외:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- 검증이 실패하는 경우

검증 검사를 수행합니다. 검증이 실패하면 예외가 발생됩니다.

기본값으로 실행되는 검증은 저비용 검증만 수행됩니다. 철저한 검증(최대 `O(n)`)을 수행하려면 `full=True`를 전달하세요.

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

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

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

**매개변수:**

other ([Table](/docs/datasets/v5.2.0/ko/package_reference/table_classes#datasets.table.Table)) : 비교할 테이블.

check_metadata `bool`, 기본값 `False`) : 스키마 메타데이터의 동등성도 검사할지 여부.

**반환값:** `bool`

두 테이블의 내용이 동일한지 확인합니다.

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

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

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

**매개변수:**

max_chunksize (`int`, 기본값 `None`) : `RecordBatch` 청크의 최대 크기입니다. 개별 컬럼의 청크 레이아웃에 따라 개별 청크의 크기가 더 작을 수 있습니다.

**반환값:**

`List[pyarrow.RecordBatch]`

`RecordBatch` 객체(연속)의 목록으로 Table을 변환합니다.

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

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

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

**반환값:** `dict`

Table을 `dict` 또는 `OrderedDict`로 변환합니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 할당에 사용할 Arrow MemoryPool입니다. 전달되지 않으면 기본 메모리 풀을 사용합니다.

strings_to_categorical (`bool`, 기본값 `False`) : 문자열(UTF8) 및 바이너리 유형을 `pandas.Categorical`로 인코딩합니다.

categories (`list`, 기본값은 `empty`) : `pandas.Categorical`로 반환되어야 할 필드의 목록입니다. 테이블 형태의 데이터 구조에만 적용됩니다.

zero_copy_only (`bool`, 기본값은 `False`) : 이 함수 호출이 기본 데이터를 복사해야 하는 경우 `ArrowException`을 발생시킵니다.

integer_object_nulls (`bool`, 기본값은 `False`) : null이 포함된 정수를 object로 변환합니다.

date_as_object (`bool`, 기본값 `True`) : 날짜를 객체로 변환합니다. `False`인 경우 `datetime64[ns]` dtype으로 변환합니다.

timestamp_as_object (`bool`, 기본값은 `False`) : 나노초가 아닌 타임스탬프(`np.datetime64`)를 객체로 변환합니다. 이는 나노초 타임스탬프의 일반적인 날짜 범위(1678년~2262년)에 맞지 않는 타임스탬프가 있는 경우 유용합니다. `False`인 경우, 모든 타임스탬프가 `datetime64[ns]` dtype으로 변환됩니다.

use_threads (`bool`, 기본값 `True`) : 여러 스레드를 사용하여 변환을 병렬화할지 여부.

deduplicate_objects (`bool`, 기본값 `False`) : 생성 시 Python 객체의 여러 사본을 만들지 않아 메모리 사용량을 줄입니다. 변환 속도는 느려집니다.

ignore_metadata (`bool`, 기본값은 `False`) : `True`인 경우, 존재하는 'pandas' 메타데이터를 사용하여 DataFrame 인덱스를 재구성하지 않습니다.

safe (`bool`, 기본값은 `True`) : 특정 데이터 타입의 경우 pandas DataFrame 또는 Series에 데이터를 저장하려면 캐스팅이 필요합니다(예: pandas에서는 타임스탬프가 항상 나노초 단위로 저장됨). 이 옵션은 캐스팅이 안전한지 여부를 제어합니다.

split_blocks (`bool`, 기본값은 `False`) : `True`인 경우, `RecordBatch` 또는 `Table`에서 pandas.DataFrame을 생성할 때 각 열마다 하나의 내부 "block"을 생성합니다. 이는 일시적으로 메모리를 줄일 수 있지만, 다양한 pandas 연산이 "consolidation"을 트리거하여 메모리 사용량이 급증할 수 있음을 유의하세요.

self_destruct (`bool`, 기본값 `False`) : EXPERIMENTAL: `True`인 경우, Arrow 객체를 pandas로 변환하는 동안 원본 Arrow 메모리를 해제하려고 시도합니다. 이 옵션을 사용하여 `to_pandas`를 호출한 후 해당 객체를 사용하면 프로그램이 충돌합니다.

types_mapper (`function`, 기본값은 `None`) : pyarrow DataType을 pandas `ExtensionDtype`으로 매핑하는 함수입니다. 이 함수는 내장 pyarrow 타입 변환 시 pandas 기본 타입을 재정의하거나, Table 스키마에 `pandas_metadata`가 없는 경우 사용할 수 있습니다. 이 함수는 pyarrow DataType을 인자로 받아 해당 타입에 대해 기본 변환을 사용해야 하면 pandas `ExtensionDtype` 또는 `None`을 반환해야 합니다. 매핑용 사전이 있는 경우 `dict.get`을 함수로 전달할 수 있습니다.

**반환값:** `pandas.Series` 또는 `pandas.DataFrame`

객체의 유형에 따라 `pandas.Series` 또는 `pandas.DataFrame`

상황에 맞게 pandas와 호환되는 NumPy 배열 또는 DataFrame으로 변환합니다.

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

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

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

#### 필드[[datasets.table.Table.field]]

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

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

**매개변수:**

i (`Union[int, str]`) : 검색할 필드의 인덱스 또는 이름.

**반환값:**

`pyarrow.Field`

column name 또는 숫자 인덱스를 사용하여 스키마 필드를 선택합니다.

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

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

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

**매개변수:**

i (`Union[int, str]`) : 가져올 열의 인덱스 또는 이름.

**반환값:**

`pyarrow.ChunkedArray`

column name 또는 숫자 인덱스를 사용하여 컬럼을 선택합니다.

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

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

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

**반환 값:**

`pyarrow.ChunkedArray`

숫자 순서대로 모든 열을 반복합니다.

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

```python
schema()
```

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

**반환값:**

`pyarrow.Schema`

테이블 및 해당 열의 스키마.

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

```python
columns()
```

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

**반환값:**

`List[pa.ChunkedArray]`

숫자 순서대로 나열된 모든 열 목록.

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

```python
num_columns()
```

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

**반환값:**

int

이 테이블의 열 수.

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

```python
num_rows()
```

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

**반환값:**

int

이 테이블의 행 수.

테이블의 정의에 따라 모든 열은 동일한 행 수를 가집니다.

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

```python
shape()
```

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

**반환값:** `(int, int)`

행 수와 열 수.

의 차원: (#rows, #columns).

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

```python
nbytes()
```

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

테이블의 요소들이 소비하는 바이트의 총 수.

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

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

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

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

in-memory라고 하는 것은 테이블이 사용자의 RAM에 로드된 경우를 의미합니다.

Pickling은 메모리를 사용하여 모든 데이터를 복사합니다. 구현은 간단하며, 기본적으로 pyarrow의 Table 메서드를 직접 사용합니다.

`MemoryMapped` 테이블과는 다릅니다. `MemoryMapped`의 경우 pickling 시 모든 데이터를 메모리에 복사하지 않습니다. `MemoryMapped`의 경우 unpickling 시 테이블을 디스크에서 다시 로드합니다.

`InMemoryTable`은 데이터가 메모리에 들어갈 수 있을 때 사용해야 하며, `MemoryMapped`은 메모리보다 큰 데이터이거나 애플리케이션의 메모리 사용량을 낮게 유지하고 싶을 때 사용하는 것입니다.

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

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

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

**매개변수:**

full (`bool`, 기본값은 `False`) : `True`인 경우 비용이 높은 검사를 실행하고, 그렇지 않으면 비용이 낮은 검사만 실행합니다.

**예외:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- 검증이 실패하는 경우

검증 검사를 수행합니다. 검증이 실패하면 예외가 발생됩니다.

기본값으로 실행되는 검증은 저비용 검증만 수행됩니다. 철저한 검증(최대 `O(n)`)을 수행하려면 `full=True`를 전달하세요.

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

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

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

**매개변수:**

other ([Table](/docs/datasets/v5.2.0/ko/package_reference/table_classes#datasets.table.Table)) : 비교할 테이블.

check_metadata `bool`, 기본값 `False`) : 스키마 메타데이터의 동등성도 검사할지 여부.

**반환값:** `bool`

두 테이블의 내용이 동일한지 확인합니다.

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

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

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

**매개변수:**

max_chunksize (`int`, 기본값 `None`) : `RecordBatch` 청크의 최대 크기입니다. 개별 컬럼의 청크 레이아웃에 따라 개별 청크의 크기가 더 작을 수 있습니다.

**반환값:**

`List[pyarrow.RecordBatch]`

`RecordBatch` 객체(연속)의 목록으로 Table을 변환합니다.

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

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

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

**반환값:** `dict`

Table을 `dict` 또는 `OrderedDict`로 변환합니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 할당에 사용할 Arrow MemoryPool입니다. 전달되지 않으면 기본 메모리 풀을 사용합니다.

strings_to_categorical (`bool`, 기본값 `False`) : 문자열(UTF8) 및 바이너리 유형을 `pandas.Categorical`로 인코딩합니다.

categories (`list`, 기본값은 `empty`) : `pandas.Categorical`로 반환되어야 할 필드의 목록입니다. 테이블 형태의 데이터 구조에만 적용됩니다.

zero_copy_only (`bool`, 기본값은 `False`) : 이 함수 호출이 기본 데이터를 복사해야 하는 경우 `ArrowException`을 발생시킵니다.

integer_object_nulls (`bool`, 기본값은 `False`) : null이 포함된 정수를 object로 변환합니다.

date_as_object (`bool`, 기본값 `True`) : 날짜를 객체로 변환합니다. `False`인 경우 `datetime64[ns]` dtype으로 변환합니다.

timestamp_as_object (`bool`, 기본값은 `False`) : 나노초가 아닌 타임스탬프(`np.datetime64`)를 객체로 변환합니다. 이는 나노초 타임스탬프의 일반적인 날짜 범위(1678년~2262년)에 맞지 않는 타임스탬프가 있는 경우 유용합니다. `False`인 경우, 모든 타임스탬프가 `datetime64[ns]` dtype으로 변환됩니다.

use_threads (`bool`, 기본값 `True`) : 여러 스레드를 사용하여 변환을 병렬화할지 여부.

deduplicate_objects (`bool`, 기본값 `False`) : 생성 시 Python 객체의 여러 사본을 만들지 않아 메모리 사용량을 줄입니다. 변환 속도는 느려집니다.

ignore_metadata (`bool`, 기본값은 `False`) : `True`인 경우, 존재하는 'pandas' 메타데이터를 사용하여 DataFrame 인덱스를 재구성하지 않습니다.

safe (`bool`, 기본값은 `True`) : 특정 데이터 타입의 경우 pandas DataFrame 또는 Series에 데이터를 저장하려면 캐스팅이 필요합니다(예: pandas에서는 타임스탬프가 항상 나노초 단위로 저장됨). 이 옵션은 캐스팅이 안전한지 여부를 제어합니다.

split_blocks (`bool`, 기본값은 `False`) : `True`인 경우, `RecordBatch` 또는 `Table`에서 pandas.DataFrame을 생성할 때 각 열마다 하나의 내부 "block"을 생성합니다. 이는 일시적으로 메모리를 줄일 수 있지만, 다양한 pandas 연산이 "consolidation"을 트리거하여 메모리 사용량이 급증할 수 있음을 유의하세요.

self_destruct (`bool`, 기본값 `False`) : EXPERIMENTAL: `True`인 경우, Arrow 객체를 pandas로 변환하는 동안 원본 Arrow 메모리를 해제하려고 시도합니다. 이 옵션을 사용하여 `to_pandas`를 호출한 후 해당 객체를 사용하면 프로그램이 충돌합니다.

types_mapper (`function`, 기본값은 `None`) : pyarrow DataType을 pandas `ExtensionDtype`으로 매핑하는 함수입니다. 이 함수는 내장 pyarrow 타입 변환 시 pandas 기본 타입을 재정의하거나, Table 스키마에 `pandas_metadata`가 없는 경우 사용할 수 있습니다. 이 함수는 pyarrow DataType을 인자로 받아 해당 타입에 대해 기본 변환을 사용해야 하면 pandas `ExtensionDtype` 또는 `None`을 반환해야 합니다. 매핑용 사전이 있는 경우 `dict.get`을 함수로 전달할 수 있습니다.

**반환값:** `pandas.Series` 또는 `pandas.DataFrame`

객체의 유형에 따라 `pandas.Series` 또는 `pandas.DataFrame`

상황에 맞게 pandas와 호환되는 NumPy 배열 또는 DataFrame으로 변환합니다.

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

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

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

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

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

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

**매개변수:**

i (`Union[int, str]`) : 검색할 필드의 인덱스 또는 이름.

**반환값:**

`pyarrow.Field`

column name 또는 숫자 인덱스를 사용하여 스키마 필드를 선택합니다.

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

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

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

**매개변수:**

i (`Union[int, str]`) : 가져올 열의 인덱스 또는 이름.

**반환값:**

`pyarrow.ChunkedArray`

column name 또는 숫자 인덱스를 사용하여 컬럼을 선택합니다.

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

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

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

**반환 값:**

`pyarrow.ChunkedArray`

숫자 순서대로 모든 열을 반복합니다.

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

```python
schema()
```

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

**반환값:**

`pyarrow.Schema`

테이블 및 해당 열의 스키마.

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

```python
columns()
```

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

**반환값:**

`List[pa.ChunkedArray]`

숫자 순서대로 나열된 모든 열 목록.

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

```python
num_columns()
```

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

**반환값:**

int

이 테이블의 열 수.

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

```python
num_rows()
```

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

**반환값:**

int

이 테이블의 행 수.

테이블의 정의에 따라 모든 열은 동일한 행 수를 가집니다.

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

```python
shape()
```

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

**반환값:** `(int, int)`

행 수와 열 수.

의 차원: (#rows, #columns).

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

```python
nbytes()
```

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

테이블의 요소들이 소비하는 바이트의 총 수.

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

```python
column_names()
```

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

테이블의 열 이름.

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

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

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

**매개변수:**

offset (`int`, 기본값 `0`) : 테이블 시작 위치로부터 슬라이스할 오프셋.

length (`int`, 기본값은 `None`) : 슬라이스의 길이 (기본값은 offset부터 테이블 끝까지).

**반환값:**

`datasets.table.Table`

이 Table의 zero-copy 슬라이스를 계산합니다.

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

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

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

Table에서 레코드를 선택합니다. 전체 사용법은 `pyarrow.compute.filter`를 참조하세요.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 필요할 경우 메모리 할당에 사용할 풀입니다. 그렇지 않으면 기본 풀을 사용합니다.

**반환값:**

`datasets.table.Table`

이 테이블을 Flatten합니다. struct 타입인 각 컬럼은 struct 필드별로 하나의 컬럼으로 Flatten됩니다. 다른 컬럼은 변경되지 않습니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 필요할 경우 메모리 할당에 사용할 풀입니다. 그렇지 않으면 기본 풀을 사용합니다.

**반환값:**

`datasets.table.Table`

이 테이블의 청크를 결합하여 새 테이블을 만듭니다.

각 열의 `ChunkedArray`에 있는 모든 기본 청크는 0개 또는 1개의 청크로 연결됩니다.

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

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

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

**매개변수:**

target_schema (`Schema`) : 변환할 대상 Schema입니다. 필드의 이름과 순서가 일치해야 합니다.

safe (`bool`, 기본값 `True`) : 오버플로우 또는 기타 안전하지 않은 변환을 확인합니다.

**반환값:**

`datasets.table.Table`

의 값을 다른 스키마로 변환합니다.

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

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

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

**매개변수:**

metadata (`dict`, 기본값은 `None`) --

**반환값:** `datasets.table.Table`

shallow_copy

실험적: `None`일 수 있는 지정된 새 메타데이터(기존 메타데이터를 삭제)로 스키마 키-값 메타데이터를 교체하여 테이블의 얕은 복사본을 생성합니다.

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

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

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

**매개변수:**

i (`int`) : 컬럼을 배치할 인덱스.

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

추가된 passed 컬럼이 포함된 새로운 테이블.

Table에 position 위치에 열을 추가합니다.

추가된 열을 가진 새로운 테이블이 반환되며, 원래 테이블 객체는 변경되지 않습니다.

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

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

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

**매개변수:**

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

추가된 passed 컬럼이 포함된 새로운 테이블.

열 목록의 끝에 열을 추가합니다.

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

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

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

**매개변수:**

i (`int`) : 제거할 열의 인덱스.

**반환값:** `datasets.table.Table`

열이 없는 새로운 테이블.

지정된 열을 제거하여 새 Table을 생성합니다.

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

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

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

**매개변수:**

i (`int`) : 컬럼을 배치할 인덱스.

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

전달된 컬럼 세트를 가진 새로운 테이블.

Table의 position 위치에 있는 열을 교체합니다.

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

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

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

제공된 이름으로 열 이름이 변경된 새 테이블을 생성합니다.

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

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

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

**매개변수:**

columns (`Union[List[str], List[int]]`) : 선택할 열 이름 또는 정수 인덱스.

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

지정된 열을 가진 새로운 테이블이며, 메타데이터는 유지됩니다.

의 열을 선택합니다.

지정된 열과 메타데이터를 유지한 채로 새로운 테이블을 반환합니다.

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

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

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

**매개변수:**

columns (`List[str]`) : 기존 컬럼을 참조하는 필드 이름 목록.

**반환값:** `datasets.table.Table`

열이 없는 새로운 테이블.

**예외:** ``KeyError``

- ``KeyError`` -- : 전달된 열 이름 중 존재하지 않는 것이 있는 경우.

하나 이상의 열을 제거하고 새로운 테이블을 반환합니다.

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

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

[소스](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)
```

[소스](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)
```

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

**매개변수:**

df (`pandas.DataFrame`) --

schema (`pyarrow.Schema`, *선택*) : Arrow Table의 예상 스키마입니다. 자동으로 추론할 수 없는 경우 컬럼의 유형을 지정하는 데 사용할 수 있습니다. 전달되면 출력은 정확히 이 스키마를 갖습니다. 스키마에 지정되었지만 DataFrame의 컬럼 또는 인덱스에서 찾을 수 없는 컬럼은 오류를 발생시킵니다. 스키마에 지정되지 않은 DataFrame의 추가 컬럼 또는 인덱스 레벨은 무시됩니다.

preserve_index (`bool`, *선택 사항*) : 인덱스를 결과 `Table`의 추가 열로 저장할지 여부입니다. 기본값인 None은 RangeIndex를 제외하고 인덱스를 열로 저장하며, RangeIndex는 메타데이터로만 저장됩니다. 인덱스를 반드시 열로 저장하려면 `preserve_index=True`를 사용하세요.

nthreads (`int`, 기본값 `None` (시스템 CPU 개수만큼의 스레드를 사용할 수 있음)) : 1보다 크면, 지정된 스레드 수를 사용하여 컬럼을 병렬로 Arrow로 변환합니다.

columns (`List[str]`, *선택 사항*) : 변환할 열 목록. `None`인 경우 모든 열을 사용합니다.

safe (`bool`, 기본값 `True`) : 오버플로우 또는 기타 안전하지 않은 변환을 검사합니다.

**반환값:** `datasets.table.Table`

pandas.DataFrame를 Arrow Table로 변환합니다.

결과 Arrow Table의 열 유형은 DataFrame의 pandas.Series dtypes에서 추론됩니다. object가 아닌 Series의 경우, NumPy dtype이 해당 Arrow 유형으로 변환됩니다. `object`의 경우, 이 Series에 포함된 Python 객체를 살펴서 데이터 유형을 추측해야 합니다.

`object` dtype의 Series는 항상 의미 있는 Arrow 타입으로 이어질 만큼 충분한 정보를 담고 있지 않을 수 있습니다. DataFrame의 길이가 0이거나 Series에 `None/nan` 객체만 포함된 경우와 같이 타입을 추론할 수 없는 경우, 타입은 null로 설정됩니다. 이 동작은 명시적인 스키마를 구성하여 이 함수에 전달함으로써 방지할 수 있습니다.

예:
```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)
```

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

**매개변수:**

arrays (`List[Union[pyarrow.Array, pyarrow.ChunkedArray]]`) : 테이블을 형성해야 하는 동일한 길이의 배열들.

names (`List[str]`, *선택 사항*) : 테이블 열의 이름입니다. 전달하지 않으면 schema를 전달해야 합니다.

schema (`Schema`, 기본값은 `None`) : 생성할 테이블의 스키마입니다. 전달하지 않으면 이름을 전달해야 합니다.

metadata (`Union[dict, Mapping]`, 기본값은 `None`) : 스키마에 대한 선택적 메타데이터(추론된 경우).

**반환값:**

`datasets.table.Table`

Arrow 배열에서 Table을 구성합니다.

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

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

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

**매개변수:**

mapping (`Union[dict, Mapping]`) : 문자열을 Array 또는 Python 리스트로 매핑하는 매핑입니다.

schema (`Schema`, 기본값은 `None`) : 전달되지 않으면 Mapping 값에서 추론됩니다

metadata (`Union[dict, Mapping]`, 기본값은 `None`) : 스키마에 대한 선택적 메타데이터(추론된 경우).

**반환값:**

`datasets.table.Table`

Arrow 배열 또는 컬럼에서 Table을 구성합니다.

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

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

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

**매개변수:**

batches (`Union[Sequence[pyarrow.RecordBatch], Iterator[pyarrow.RecordBatch]]`) : 변환할 `RecordBatch` 시퀀스입니다. 모든 스키마는 동일해야 합니다.

schema (`Schema`, 기본값은 `None`) : 전달되지 않으면 첫 번째 `RecordBatch`에서 추론됩니다.

**반환값:** `datasets.table.Table`

Arrow `RecordBatches`의 시퀀스 또는 반복기로부터 Table을 구성합니다.

## 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)
```

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

memory mapped 상태의 테이블은 사용자의 RAM을 사용하지 않고 대신 디스크에서 데이터를 로드하는 경우를 의미합니다.

Pickling은 데이터를 메모리에 복사하지 않습니다. 대신, 디스크에서 테이블을 다시 로드할 때 "재실행"할 변환 목록과 함께 메모리 매핑된 arrow 파일의 경로만 pickling됩니다.

구현에는 디스크에서 Table을 다시 로드할 때 "재실행"할 수 있도록, 기초 pyarrow Table에 적용된 모든 변환의 이력을 저장해야 합니다.

`InMemoryTable` 테이블은 pickling 시 메모리의 모든 데이터를 복사하지만, 이 동작과는 다릅니다.

`InMemoryTable`은 데이터가 메모리에 들어갈 수 있을 때 사용해야 하며, `MemoryMapped`은 메모리보다 큰 데이터이거나 애플리케이션의 메모리 사용량을 낮게 유지하고 싶을 때 사용하는 것입니다.

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

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

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

**매개변수:**

full (`bool`, 기본값은 `False`) : `True`인 경우 비용이 높은 검사를 실행하고, 그렇지 않으면 비용이 낮은 검사만 실행합니다.

**예외:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- 검증이 실패하는 경우

검증 검사를 수행합니다. 검증이 실패하면 예외가 발생됩니다.

기본값으로 실행되는 검증은 저비용 검증만 수행됩니다. 철저한 검증(최대 `O(n)`)을 수행하려면 `full=True`를 전달하세요.

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

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

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

**매개변수:**

other ([Table](/docs/datasets/v5.2.0/ko/package_reference/table_classes#datasets.table.Table)) : 비교할 테이블.

check_metadata `bool`, 기본값 `False`) : 스키마 메타데이터의 동등성도 검사할지 여부.

**반환값:** `bool`

두 테이블의 내용이 동일한지 확인합니다.

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

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

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

**매개변수:**

max_chunksize (`int`, 기본값 `None`) : `RecordBatch` 청크의 최대 크기입니다. 개별 컬럼의 청크 레이아웃에 따라 개별 청크의 크기가 더 작을 수 있습니다.

**반환값:**

`List[pyarrow.RecordBatch]`

`RecordBatch` 객체(연속)의 목록으로 Table을 변환합니다.

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

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

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

**반환값:** `dict`

Table을 `dict` 또는 `OrderedDict`로 변환합니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 할당에 사용할 Arrow MemoryPool입니다. 전달되지 않으면 기본 메모리 풀을 사용합니다.

strings_to_categorical (`bool`, 기본값 `False`) : 문자열(UTF8) 및 바이너리 유형을 `pandas.Categorical`로 인코딩합니다.

categories (`list`, 기본값은 `empty`) : `pandas.Categorical`로 반환되어야 할 필드의 목록입니다. 테이블 형태의 데이터 구조에만 적용됩니다.

zero_copy_only (`bool`, 기본값은 `False`) : 이 함수 호출이 기본 데이터를 복사해야 하는 경우 `ArrowException`을 발생시킵니다.

integer_object_nulls (`bool`, 기본값은 `False`) : null이 포함된 정수를 object로 변환합니다.

date_as_object (`bool`, 기본값 `True`) : 날짜를 객체로 변환합니다. `False`인 경우 `datetime64[ns]` dtype으로 변환합니다.

timestamp_as_object (`bool`, 기본값은 `False`) : 나노초가 아닌 타임스탬프(`np.datetime64`)를 객체로 변환합니다. 이는 나노초 타임스탬프의 일반적인 날짜 범위(1678년~2262년)에 맞지 않는 타임스탬프가 있는 경우 유용합니다. `False`인 경우, 모든 타임스탬프가 `datetime64[ns]` dtype으로 변환됩니다.

use_threads (`bool`, 기본값 `True`) : 여러 스레드를 사용하여 변환을 병렬화할지 여부.

deduplicate_objects (`bool`, 기본값 `False`) : 생성 시 Python 객체의 여러 사본을 만들지 않아 메모리 사용량을 줄입니다. 변환 속도는 느려집니다.

ignore_metadata (`bool`, 기본값은 `False`) : `True`인 경우, 존재하는 'pandas' 메타데이터를 사용하여 DataFrame 인덱스를 재구성하지 않습니다.

safe (`bool`, 기본값은 `True`) : 특정 데이터 타입의 경우 pandas DataFrame 또는 Series에 데이터를 저장하려면 캐스팅이 필요합니다(예: pandas에서는 타임스탬프가 항상 나노초 단위로 저장됨). 이 옵션은 캐스팅이 안전한지 여부를 제어합니다.

split_blocks (`bool`, 기본값은 `False`) : `True`인 경우, `RecordBatch` 또는 `Table`에서 pandas.DataFrame을 생성할 때 각 열마다 하나의 내부 "block"을 생성합니다. 이는 일시적으로 메모리를 줄일 수 있지만, 다양한 pandas 연산이 "consolidation"을 트리거하여 메모리 사용량이 급증할 수 있음을 유의하세요.

self_destruct (`bool`, 기본값 `False`) : EXPERIMENTAL: `True`인 경우, Arrow 객체를 pandas로 변환하는 동안 원본 Arrow 메모리를 해제하려고 시도합니다. 이 옵션을 사용하여 `to_pandas`를 호출한 후 해당 객체를 사용하면 프로그램이 충돌합니다.

types_mapper (`function`, 기본값은 `None`) : pyarrow DataType을 pandas `ExtensionDtype`으로 매핑하는 함수입니다. 이 함수는 내장 pyarrow 타입 변환 시 pandas 기본 타입을 재정의하거나, Table 스키마에 `pandas_metadata`가 없는 경우 사용할 수 있습니다. 이 함수는 pyarrow DataType을 인자로 받아 해당 타입에 대해 기본 변환을 사용해야 하면 pandas `ExtensionDtype` 또는 `None`을 반환해야 합니다. 매핑용 사전이 있는 경우 `dict.get`을 함수로 전달할 수 있습니다.

**반환값:** `pandas.Series` 또는 `pandas.DataFrame`

객체의 유형에 따라 `pandas.Series` 또는 `pandas.DataFrame`

상황에 맞게 pandas와 호환되는 NumPy 배열 또는 DataFrame으로 변환합니다.

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

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

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

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

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

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

**매개변수:**

i (`Union[int, str]`) : 검색할 필드의 인덱스 또는 이름.

**반환값:**

`pyarrow.Field`

column name 또는 숫자 인덱스를 사용하여 스키마 필드를 선택합니다.

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

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

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

**매개변수:**

i (`Union[int, str]`) : 가져올 열의 인덱스 또는 이름.

**반환값:**

`pyarrow.ChunkedArray`

column name 또는 숫자 인덱스를 사용하여 컬럼을 선택합니다.

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

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

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

**반환 값:**

`pyarrow.ChunkedArray`

숫자 순서대로 모든 열을 반복합니다.

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

```python
schema()
```

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

**반환값:**

`pyarrow.Schema`

테이블 및 해당 열의 스키마.

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

```python
columns()
```

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

**반환값:**

`List[pa.ChunkedArray]`

숫자 순서대로 나열된 모든 열 목록.

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

```python
num_columns()
```

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

**반환값:**

int

이 테이블의 열 수.

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

```python
num_rows()
```

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

**반환값:**

int

이 테이블의 행 수.

테이블의 정의에 따라 모든 열은 동일한 행 수를 가집니다.

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

```python
shape()
```

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

**반환값:** `(int, int)`

행 수와 열 수.

의 차원: (#rows, #columns).

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

```python
nbytes()
```

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

테이블의 요소들이 소비하는 바이트의 총 수.

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

```python
column_names()
```

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

테이블의 열 이름.

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

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

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

**매개변수:**

offset (`int`, 기본값 `0`) : 테이블 시작 위치로부터 슬라이스할 오프셋.

length (`int`, 기본값은 `None`) : 슬라이스의 길이 (기본값은 offset부터 테이블 끝까지).

**반환값:**

`datasets.table.Table`

이 Table의 zero-copy 슬라이스를 계산합니다.

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

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

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

Table에서 레코드를 선택합니다. 전체 사용법은 `pyarrow.compute.filter`를 참조하세요.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 필요할 경우 메모리 할당에 사용할 풀입니다. 그렇지 않으면 기본 풀을 사용합니다.

**반환값:**

`datasets.table.Table`

이 테이블을 Flatten합니다. struct 타입인 각 컬럼은 struct 필드별로 하나의 컬럼으로 Flatten됩니다. 다른 컬럼은 변경되지 않습니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 필요할 경우 메모리 할당에 사용할 풀입니다. 그렇지 않으면 기본 풀을 사용합니다.

**반환값:**

`datasets.table.Table`

이 테이블의 청크를 결합하여 새 테이블을 만듭니다.

각 열의 ChunkedArray에 포함된 모든 기본 청크는 0개 또는 1개의 청크로 연결됩니다.

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

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

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

**매개변수:**

target_schema (`Schema`) : 변환할 대상 Schema입니다. 필드의 이름과 순서가 일치해야 합니다.

safe (`bool`, 기본값 `True`) : 오버플로우 또는 기타 안전하지 않은 변환을 확인합니다.

**반환값:**

`datasets.table.Table`

테이블 값을 다른 스키마로 캐스팅

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

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

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

**매개변수:**

metadata (`dict`, 기본값은 `None`) --

**반환값:** `datasets.table.Table`

shallow_copy

실험적: schema의 키-값 메타데이터를 지정된 새 메타데이터(기존 메타데이터를 삭제할 수 있는 None 포함)로 교체하여 테이블의 얕은 복사본을 생성합니다.

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

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

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

**매개변수:**

i (`int`) : 컬럼을 배치할 인덱스.

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

추가된 passed 컬럼이 포함된 새로운 테이블.

Table에 position 위치에 열을 추가합니다.

추가된 열을 가진 새로운 테이블이 반환되며, 원래 테이블 객체는 변경되지 않습니다.

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

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

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

**매개변수:**

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

추가된 passed 컬럼이 포함된 새로운 테이블.

열 목록의 끝에 열을 추가합니다.

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

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

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

**매개변수:**

i (`int`) : 제거할 열의 인덱스.

**반환값:** `datasets.table.Table`

열이 없는 새로운 테이블.

지정된 열을 제거하여 새 Table을 생성합니다.

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

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

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

**매개변수:**

i (`int`) : 컬럼을 배치할 인덱스.

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

전달된 컬럼 세트를 가진 새로운 테이블.

Table의 position 위치에 있는 열을 교체합니다.

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

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

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

제공된 이름으로 열 이름이 변경된 새 테이블을 생성합니다.

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

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

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

**매개변수:**

columns (`Union[List[str], List[int]]`) : 선택할 열 이름 또는 정수 인덱스.

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

지정된 열을 가진 새로운 테이블이며, 메타데이터는 유지됩니다.

의 열을 선택합니다.

지정된 열과 메타데이터를 유지한 채로 새로운 테이블을 반환합니다.

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

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

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

**매개변수:**

columns (`List[str]`) : 기존 컬럼을 참조하는 필드 이름 목록.

**반환값:** `datasets.table.Table`

열이 없는 새로운 테이블.

**예외:** ``KeyError``

- ``KeyError`` -- : 전달된 열 이름 중 존재하지 않는 것이 있는 경우.

하나 이상의 열을 제거하고 새로운 테이블을 반환합니다.

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

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

[소스](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)
```

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

는 블록이라고 불리는 여러 테이블의 연결(concatenation)로 구성됩니다. 이를 통해 축 0(행 추가)과 축 1(열 추가) 모두에서 연결을 수행할 수 있습니다.

기본 테이블은 "블록"이라고 불리며 `InMemoryTable` 또는 `MemoryMappedTable` 객체일 수 있습니다. 이를 통해 메모리에서 가져온 테이블과 메모리 매핑된 테이블을 결합할 수 있습니다. `ConcatenationTable`이 pickled되면 각 블록이 pickled됩니다:
- `InMemoryTable` 객체는 메모리에 있는 모든 데이터를 복사하여 pickled됩니다.
- MemoryMappedTable 객체는 데이터를 메모리에 복사하지 않고 pickled됩니다.
대신, 디스크에서 테이블을 다시 로드할 때 "재실행"할 변환 목록과 함께 메모리 매핑된 arrow 파일의 경로만 pickled됩니다.

구현에는 각 블록을 개별적으로 저장해야 합니다. `blocks` 속성은 블록의 리스트 리스트를 저장합니다. 첫 번째 축은 테이블을 축 0 방향으로 연결하며(행을 추가), 두 번째 축은 테이블을 축 1 방향으로 연결합니다(열을 추가).

axis 0을 기준으로 연결할 때 일부 열이 누락된 경우, 해당 열은 null 값으로 채워집니다. 이 작업은 `pyarrow.concat_tables(tables, promote=True)`를 사용하여 수행됩니다.

`ConcatenationTable.table` 속성에 접근하여 완전히 결합된 테이블에, `ConcatenationTable.blocks` 속성에 접근하여 블록에 액세스할 수 있습니다.

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

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

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

**매개변수:**

full (`bool`, 기본값은 `False`) : `True`인 경우 비용이 높은 검사를 실행하고, 그렇지 않으면 비용이 낮은 검사만 실행합니다.

**예외:** ``pa.lib.ArrowInvalid``

- ``pa.lib.ArrowInvalid`` -- 검증이 실패하는 경우

검증 검사를 수행합니다. 검증이 실패하면 예외가 발생됩니다.

기본값으로 실행되는 검증은 저비용 검증만 수행됩니다. 철저한 검증(최대 `O(n)`)을 수행하려면 `full=True`를 전달하세요.

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

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

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

**매개변수:**

other ([Table](/docs/datasets/v5.2.0/ko/package_reference/table_classes#datasets.table.Table)) : 비교할 테이블.

check_metadata `bool`, 기본값 `False`) : 스키마 메타데이터의 동등성도 검사할지 여부.

**반환값:** `bool`

두 테이블의 내용이 동일한지 확인합니다.

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

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

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

**매개변수:**

max_chunksize (`int`, 기본값 `None`) : `RecordBatch` 청크의 최대 크기입니다. 개별 컬럼의 청크 레이아웃에 따라 개별 청크의 크기가 더 작을 수 있습니다.

**반환값:**

`List[pyarrow.RecordBatch]`

`RecordBatch` 객체(연속)의 목록으로 Table을 변환합니다.

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

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

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

**반환값:** `dict`

Table을 `dict` 또는 `OrderedDict`로 변환합니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 할당에 사용할 Arrow MemoryPool입니다. 전달되지 않으면 기본 메모리 풀을 사용합니다.

strings_to_categorical (`bool`, 기본값 `False`) : 문자열(UTF8) 및 바이너리 유형을 `pandas.Categorical`로 인코딩합니다.

categories (`list`, 기본값은 `empty`) : `pandas.Categorical`로 반환되어야 할 필드의 목록입니다. 테이블 형태의 데이터 구조에만 적용됩니다.

zero_copy_only (`bool`, 기본값은 `False`) : 이 함수 호출이 기본 데이터를 복사해야 하는 경우 `ArrowException`을 발생시킵니다.

integer_object_nulls (`bool`, 기본값은 `False`) : null이 포함된 정수를 object로 변환합니다.

date_as_object (`bool`, 기본값 `True`) : 날짜를 객체로 변환합니다. `False`인 경우 `datetime64[ns]` dtype으로 변환합니다.

timestamp_as_object (`bool`, 기본값은 `False`) : 나노초가 아닌 타임스탬프(`np.datetime64`)를 객체로 변환합니다. 이는 나노초 타임스탬프의 일반적인 날짜 범위(1678년~2262년)에 맞지 않는 타임스탬프가 있는 경우 유용합니다. `False`인 경우, 모든 타임스탬프가 `datetime64[ns]` dtype으로 변환됩니다.

use_threads (`bool`, 기본값 `True`) : 여러 스레드를 사용하여 변환을 병렬화할지 여부.

deduplicate_objects (`bool`, 기본값 `False`) : 생성 시 Python 객체의 여러 사본을 만들지 않아 메모리 사용량을 줄입니다. 변환 속도는 느려집니다.

ignore_metadata (`bool`, 기본값은 `False`) : `True`인 경우, 존재하는 'pandas' 메타데이터를 사용하여 DataFrame 인덱스를 재구성하지 않습니다.

safe (`bool`, 기본값은 `True`) : 특정 데이터 타입의 경우 pandas DataFrame 또는 Series에 데이터를 저장하려면 캐스팅이 필요합니다(예: pandas에서는 타임스탬프가 항상 나노초 단위로 저장됨). 이 옵션은 캐스팅이 안전한지 여부를 제어합니다.

split_blocks (`bool`, 기본값은 `False`) : `True`인 경우, `RecordBatch` 또는 `Table`에서 pandas.DataFrame을 생성할 때 각 열마다 하나의 내부 "block"을 생성합니다. 이는 일시적으로 메모리를 줄일 수 있지만, 다양한 pandas 연산이 "consolidation"을 트리거하여 메모리 사용량이 급증할 수 있음을 유의하세요.

self_destruct (`bool`, 기본값 `False`) : EXPERIMENTAL: `True`인 경우, Arrow 객체를 pandas로 변환하는 동안 원본 Arrow 메모리를 해제하려고 시도합니다. 이 옵션을 사용하여 `to_pandas`를 호출한 후 해당 객체를 사용하면 프로그램이 충돌합니다.

types_mapper (`function`, 기본값은 `None`) : pyarrow DataType을 pandas `ExtensionDtype`으로 매핑하는 함수입니다. 이 함수는 내장 pyarrow 타입 변환 시 pandas 기본 타입을 재정의하거나, Table 스키마에 `pandas_metadata`가 없는 경우 사용할 수 있습니다. 이 함수는 pyarrow DataType을 인자로 받아 해당 타입에 대해 기본 변환을 사용해야 하면 pandas `ExtensionDtype` 또는 `None`을 반환해야 합니다. 매핑용 사전이 있는 경우 `dict.get`을 함수로 전달할 수 있습니다.

**반환값:** `pandas.Series` 또는 `pandas.DataFrame`

객체의 유형에 따라 `pandas.Series` 또는 `pandas.DataFrame`

상황에 맞게 pandas와 호환되는 NumPy 배열 또는 DataFrame으로 변환합니다.

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

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

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

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

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

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

**매개변수:**

i (`Union[int, str]`) : 검색할 필드의 인덱스 또는 이름.

**반환값:**

`pyarrow.Field`

column name 또는 숫자 인덱스를 사용하여 스키마 필드를 선택합니다.

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

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

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

**매개변수:**

i (`Union[int, str]`) : 가져올 열의 인덱스 또는 이름.

**반환값:**

`pyarrow.ChunkedArray`

column name 또는 숫자 인덱스를 사용하여 컬럼을 선택합니다.

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

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

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

**반환 값:**

`pyarrow.ChunkedArray`

숫자 순서대로 모든 열을 반복합니다.

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

```python
schema()
```

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

**반환값:**

`pyarrow.Schema`

테이블 및 해당 열의 스키마.

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

```python
columns()
```

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

**반환값:**

`List[pa.ChunkedArray]`

숫자 순서대로 나열된 모든 열 목록.

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

```python
num_columns()
```

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

**반환값:**

int

이 테이블의 열 수.

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

```python
num_rows()
```

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

**반환값:**

int

이 테이블의 행 수.

테이블의 정의에 따라 모든 열은 동일한 행 수를 가집니다.

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

```python
shape()
```

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

**반환값:** `(int, int)`

행 수와 열 수.

의 차원: (#rows, #columns).

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

```python
nbytes()
```

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

테이블의 요소들이 소비하는 바이트의 총 수.

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

```python
column_names()
```

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

테이블의 열 이름.

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

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

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

**매개변수:**

offset (`int`, 기본값 `0`) : 테이블 시작 위치로부터 슬라이스할 오프셋.

length (`int`, 기본값은 `None`) : 슬라이스의 길이 (기본값은 offset부터 테이블 끝까지).

**반환값:**

`datasets.table.Table`

이 Table의 zero-copy 슬라이스를 계산합니다.

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

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

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

Table에서 레코드를 선택합니다. 전체 사용법은 `pyarrow.compute.filter`를 참조하세요.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 필요할 경우 메모리 할당에 사용할 풀입니다. 그렇지 않으면 기본 풀을 사용합니다.

**반환값:**

`datasets.table.Table`

이 테이블을 Flatten합니다. struct 타입인 각 컬럼은 struct 필드별로 하나의 컬럼으로 Flatten됩니다. 다른 컬럼은 변경되지 않습니다.

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

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

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

**매개변수:**

memory_pool (`MemoryPool`, 기본값은 `None`) : 필요할 경우 메모리 할당에 사용할 풀입니다. 그렇지 않으면 기본 풀을 사용합니다.

**반환값:**

`datasets.table.Table`

이 테이블의 청크를 결합하여 새 테이블을 만듭니다.

각 열의 `ChunkedArray`에 있는 모든 기본 청크는 0개 또는 1개의 청크로 연결됩니다.

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

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

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

**매개변수:**

target_schema (`Schema`) : 변환할 대상 Schema입니다. 필드의 이름과 순서가 일치해야 합니다.

safe (`bool`, 기본값 `True`) : 오버플로우 또는 기타 안전하지 않은 변환을 확인합니다.

**반환값:**

`datasets.table.Table`

의 값을 다른 스키마로 변환합니다.

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

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

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

**매개변수:**

metadata (`dict`, 기본값은 `None`) --

**반환값:** `datasets.table.Table`

shallow_copy

실험적: `None`일 수 있는 지정된 새 메타데이터(기존 메타데이터를 삭제)로 스키마 키-값 메타데이터를 교체하여 테이블의 얕은 복사본을 생성합니다.

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

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

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

**매개변수:**

i (`int`) : 컬럼을 배치할 인덱스.

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

추가된 passed 컬럼이 포함된 새로운 테이블.

Table에 position 위치에 열을 추가합니다.

추가된 열을 가진 새로운 테이블이 반환되며, 원래 테이블 객체는 변경되지 않습니다.

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

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

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

**매개변수:**

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

추가된 passed 컬럼이 포함된 새로운 테이블.

열 목록의 끝에 열을 추가합니다.

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

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

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

**매개변수:**

i (`int`) : 제거할 열의 인덱스.

**반환값:** `datasets.table.Table`

열이 없는 새로운 테이블.

지정된 열을 제거하여 새 Table을 생성합니다.

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

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

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

**매개변수:**

i (`int`) : 컬럼을 배치할 인덱스.

field_ (`Union[str, pyarrow.Field]`) : 문자열이 전달되면 컬럼 데이터에서 타입이 추론됩니다.

column (`Union[pyarrow.Array, List[pyarrow.Array]]`) : 컬럼 데이터.

**반환값:** `datasets.table.Table`

전달된 컬럼 세트를 가진 새로운 테이블.

Table의 position 위치에 있는 열을 교체합니다.

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

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

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

제공된 이름으로 열 이름이 변경된 새 테이블을 생성합니다.

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

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

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

**매개변수:**

columns (`Union[List[str], List[int]]`) : 선택할 열 이름 또는 정수 인덱스.

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

지정된 열을 가진 새로운 테이블이며, 메타데이터는 유지됩니다.

의 열을 선택합니다.

지정된 열과 메타데이터를 유지한 채로 새로운 테이블을 반환합니다.

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

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

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

**매개변수:**

columns (`List[str]`) : 기존 컬럼을 참조하는 필드 이름 목록.

**반환값:** `datasets.table.Table`

열이 없는 새로운 테이블.

**예외:** ``KeyError``

- ``KeyError`` -- : 전달된 열 이름 중 존재하지 않는 것이 있는 경우.

하나 이상의 열을 제거하고 새로운 테이블을 반환합니다.

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

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

[소스](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)
```

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

**매개변수:**

tables (`Table`의 목록 또는 `pyarrow.Table`의 목록) : 테이블 목록.

axis (`{0, 1}`, 기본값은 `0`로 행 방향을 의미) : `0`은 행(수직) 방향, `1`은 열(수평) 방향을 의미하는 연결할 축입니다.

테이블 목록에서 `ConcatenationTable`을(를) 생성합니다.

## 유틸[[datasets.table.concat_tables]]

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

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

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

**매개변수:**

tables (`Table` 목록): 연결할 테이블 목록.

axis (`{0, 1}`, 기본값은 `0`로 행 방향을 의미) : `0`은 행(수직) 방향, `1`은 열(수평) 방향을 의미하는 연결할 축입니다.

**반환값:** `datasets.table.Table`

입력 테이블의 수가 > 1이면 반환되는 테이블은 `datasets.table.ConcatenationTable`입니다. 테이블이 하나뿐인 경우 그대로 반환됩니다.

테이블을 연결합니다.

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

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

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

**반환값:** `List[str]`

가 로드한 캐시 파일의 경로 목록입니다.

테이블에 의해 로드되는 캐시 파일을 가져옵니다. 테이블의 일부가 메모리 매핑을 통해 디스크에서 가져와질 때 캐시 파일이 사용됩니다.