Tristan/olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-no-bigscience-filters

---
dataset_info:
features:
- name: text
dtype: string
- name: url
dtype: string
- name: crawl_timestamp
dtype: float64
splits:
- name: train
num_bytes: 33670789930.82474
num_examples: 16442332
download_size: 21113002013
dataset_size: 33670789930.82474
---
# Dataset Card for "olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-no-bigscience-filters"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

数据集信息：
特征字段：
- 名称：text，数据类型：字符串（string）
- 名称：url，数据类型：字符串（string）
- 名称：爬取时间戳（crawl_timestamp），数据类型：64位浮点型（float64）
拆分集：
- 名称：训练集（train），字节数：33670789930.82474，样本数：16442332
下载大小：21113002013
数据集总大小：33670789930.82474

---
# 数据集卡片："olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-no-bigscience-filters"

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集特征

• text：数据类型为字符串。
• url：数据类型为字符串。
• crawl_timestamp：数据类型为浮点数。

数据集分割

• train：包含16442332个样本，总大小为33670789930.82474字节。

数据集大小

• 下载大小：21113002013字节。
• 数据集总大小：33670789930.82474字节。