devtibo/synthetic_pii_finance

该数据集包含多个文本处理相关的特征，如掩码文本（masked_text）、未掩码文本（unmasked_text）、隐私掩码（privacy_mask）等。数据集还包含生物标签（bio_labels）、分词后的文本（tokenised_text）、跨度标签（span_labels）和语言（language）等信息。数据集分为一个训练集（train），包含24158个示例，总大小为199254926字节。

The dataset includes multiple features such as masked_text, unmasked_text, privacy_mask, etc., each with its data type. The dataset is divided into a training set, containing 24158 samples with a total size of 199254926 bytes. The dataset configuration is set to default, with data file paths at data/train-*.

原始信息汇总

数据集概述

数据集信息

特征

• masked_text: 类型为字符串
• unmasked_text: 类型为字符串
• privacy_mask: 类型为字符串
• bio_labels: 类型为字符串序列
• tokenised_text: 类型为字符串序列
• span_labels: 类型为字符串
• language: 类型为字符串

数据分割

• train: 包含24158个样本，占用199254926字节

数据集大小

• 下载大小: 58584882字节
• 数据集大小: 199254926字节

配置

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