damerajee/filtering_data-v11

该数据集包含多个特征，如问题文本、元数据（包括日期、语言、语言得分、标记计数等）、提示和原始答案文本。数据集分为一个训练集，包含200,000个示例，总大小为1,545,615,750字节。下载大小为675,180,660字节。

原始信息汇总

数据集概述

数据集信息

特征

• question_text: 类型为字符串。
• metadata: 结构化数据，包含以下字段：
  • date: 类型为int64。
  • dump: 类型为字符串。
  • file_path: 类型为字符串。
  • language: 类型为字符串。
  • language_score: 类型为float64。
  • token_count: 类型为int64。
  • url: 类型为字符串。
• prompt: 类型为字符串。
• orig_answer_texts: 类型为int64。

数据分割

• train: 包含200000个样本，总字节数为1545615750。

数据集大小

• 下载大小: 675180660字节。
• 数据集大小: 1545615750字节。

配置

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