BEE-spoke-data/napierone-epub-raw

NapierOne EPUB原始数据集，包含通过marker工具转换的Project Gutenberg书籍。数据集支持多种语言，包括英语、西班牙语、芬兰语、法语、葡萄牙语、荷兰语、德语、瑞典语和意大利语等。数据集分为三个配置：default、en-clean和english，每个配置包含文件名、文本内容和语言特征。数据集主要用于文本生成和特征提取任务。

原始信息汇总

数据集概述

基本信息

• 名称: BEE-spoke-data/napierone-epub-raw
• 语言支持: 英语 (en), 西班牙语 (es), 芬兰语 (fi), 法语 (fr), 葡萄牙语 (pt), 荷兰语 (nl), 德语 (de), 瑞典语 (sv), 意大利语 (it)
• 许可证: odc-by
• 大小分类: 1K<n<10K
• 任务分类: 文本生成, 特征提取

数据集结构

• 配置名称: default, en-clean, english
• 特征:
  • filename: 字符串类型
  • text: 字符串类型
  • lang: 字符串类型
  • score (仅在en-clean配置中): 浮点数类型

数据集拆分

• 训练集:
  • default: 4999个样本, 2190406903字节
  • en-clean: 4371个样本, 1948279468.5718827字节
  • english: 4403个样本, 1929258170.415883字节

下载与数据集大小

• default: 下载大小1310735987字节, 数据集大小2190406903字节
• en-clean: 下载大小1167660575字节, 数据集大小1948279468.5718827字节
• english: 下载大小1172514726字节, 数据集大小1929258170.415883字节

数据文件路径

• default: data/train-*
• en-clean: en-clean/train-*
• english: english/train-*

标签

• gutenberg, epub, marker