modelzoo里面提供的淘宝数据集只有几M（https://github.com/DeepRec-AI/DeepRec/blob/main/modelzoo/esmm/README.md#prepare）,天池上面原始数据集有几个G（https://tianchi.aliyun.com/dataset/408），请问在机器学习PAI里，哪里可以找到原始数据集转换成parquet的代码？
请问在机器学习PAI里，哪里可以找到原始数据集转换成parquet的代码？[阿里云机器学习PAI]
「点点赞赏，手留余香」
还没有人赞赏，快来当第一个赞赏的人吧！
在阿里云机器学习PAI中，转换原始数据集为Parquet格式的代码可以通过生成PAI-DSW项目的方式实现。您可以按照以下步骤完成：
登录阿里云机器学习控制台，创建一个PAI-DSW项目。
在PAI-DSW项目中找到parquet部分的示例代码，这个示例代码涉及了将数据从csv格式转为parquet格式的过程，您可以参考这个示例代码，对数据格式进行相应调整。
下载淘宝数据集的原始数据，按照适当的格式存储到您的PAI-DSW项目中。
将您编写的代码上传至PAI-DSW项目，并执行代码。在转换过程中，如果遇到任何错误，可以通过查看相应的日志或调试信息来对代码进行优化和调整。
数据规模较大时，转换过程可能比较耗时，建议您尽可能利用分布式计算和其他优化方法，来提高转换效率和效果。
在机器学习平台PAI中，您可以使用Spark将原始数据集转换为Parquet格式。具体步骤如下：
准备工作：将原始数据集上传到 PAI 文件系统中。
在 PAI 控制台上创建一个新的 Spark 任务，并选择您要使用的 Spark 版本和配置。
在任务脚本中使用 Spark SQL API 将原始数据集转换为 Parquet 格式，并将结果保存到指定路径中。以下是 Python 示例代码：
from pyspark.sql import SparkSession
创建 SparkSession 对象
spark = SparkSession.builder.appName(“ConvertToParquet”).getOrCreate()
读取原始数据集
df = spark.read.format(“<原始数据集文件格式>“).load(“<原始数据集路径>“)
执行数据转换操作
…
将转换结果保存为 Parquet 格式
df.write.format(“parquet”).save(““) 其中，<原始数据集文件格式> 代表原始数据集所使用的文件格式，例如 CSV、JSON、ORC 等；<原始数据集路径> 是原始数据集在 PAI 文件系统中的路径； 是转换后的 Parquet 文件在 PAI 文件系统中的路径。
注意：在执行数据转换操作之前，您需要根据实际需求对数据进行清洗、预处理等操作。同时，您还需要根据数据集的规模和特点来调整Spark的配置参数，以确保任务能够正常运行。
我给你一个例子。https://github.com/JackMoriarty/DatasetConversionTools/blob/main/taobao/csv_price_int32_to_parquet.py 此回答整理自钉群“DeepRec用户群”