Gkumi/abhi-pii-cleaned

该数据集包含文本的分词结果（tokenized_text）和生物信息标签（bio_labels）。数据集分为训练集和测试集，训练集包含34800个样本，测试集包含8701个样本。数据集的下载大小为6504961字节，总大小为18370985字节。数据文件的路径配置为：训练集路径为data/train-*，测试集路径为data/test-*。

This dataset is primarily used for natural language processing tasks, containing tokenized text and corresponding bio labels. The dataset is divided into a training set with 34800 samples and a test set with 8701 samples. The download size of the dataset is 6504961 bytes, and the total size is 18370985 bytes.

原始信息汇总

数据集概述

特征

• tokenized_text: 类型为字符串。
• bio_labels: 类型为字符串序列。

数据分割

• train:
  • 字节数: 14681918
  • 样本数: 34800
• test:
  • 字节数: 3689067
  • 样本数: 8701

数据集大小

• 下载大小: 6504961 字节
• 数据集大小: 18370985 字节

配置

• config_name: default
  • data_files:
    • train: data/train-*
    • test: data/test-*