andersonbcdefg/dup_pairs_12m_jaccard_high

---
dataset_info:
features:
- name: query
dtype: string
- name: pos
dtype: string
- name: __index_level_0__
dtype: int64
- name: jaccard
dtype: float64
splits:
- name: train
num_bytes: 477760258.9601747
num_examples: 4006194
download_size: 319436047
dataset_size: 477760258.9601747
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

dataset_info:
features:
- 名称: 查询
数据类型: 字符串
- 名称: 正例
数据类型: 字符串
- 名称: __index_level_0__
数据类型: 64位整数
- 名称: 杰卡德系数（Jaccard）
数据类型: 64位浮点数
splits:
- 名称: 训练集
字节数: 477760258.9601747
样本数: 4006194
download_size: 319436047
dataset_size: 477760258.9601747
configs:
- 配置名称: 默认
data_files:
- 分割: 训练集
路径: data/train-*

原始信息汇总

数据集概述

数据特征

• query: 数据类型为字符串（string）
• pos: 数据类型为字符串（string）
• index_level_0: 数据类型为整数（int64）
• jaccard: 数据类型为浮点数（float64）

数据分割

• train: 包含4,006,194个样本，占用477,760,258.9601747字节

数据大小

• 下载大小: 319,436,047字节
• 数据集大小: 477,760,258.9601747字节

配置

• default: 包含训练数据文件，路径为data/train-*