2024-mcm-everitt-ryan/job-postings-english-clean

该数据集包含多个字段，如document_id、country、locale、language等，用于记录不同文档的标识、来源国家、语言环境等信息。此外，还包括公司信息、城市、数据集的类型和许可证等。数据集主要用于训练，包含约176万条记录，总大小超过112亿字节。

原始信息汇总

数据集概述

数据集特征

• document_id: 字符串类型
• country: 字符串类型
• locale: 字符串类型
• language: 字符串类型
• source: 字符串类型
• scraped_date: 整数类型（int64）
• company_id: 字符串类型
• companyName: 字符串类型
• city: 字符串类型
• dataset_id: 字符串类型
• dataset_type: 字符串类型
• dataset_license: 字符串类型
• dataset_source: 字符串类型
• dataset_title: 字符串类型
• dataset_url: 字符串类型
• category: 字符串类型
• position_name: 字符串类型
• job_posting: 字符串类型
• job_posting_html: 字符串类型

数据集分割

• train:
  • 数据量: 11,200,413,117 字节
  • 示例数量: 1,760,394

数据集大小

• 下载大小: 5,117,143,361 字节
• 数据集总大小: 11,200,413,117 字节

配置信息

• config_name: default
  • data_files:
    • split: train
      • path: data/train-*