WhiteGiverPlus/fineweb_frac

该数据集包含多个特征字段，如文本、ID、转储、URL、文件路径、语言、语言评分、词数、评分和整数评分等。数据集仅包含一个训练集分割，提供了字节数和示例数的详细信息。此外，还提供了下载大小和数据集大小的信息。

The dataset includes multiple feature fields such as text, ID, dump, URL, file path, language, language score, token count, score, and integer score. The dataset contains only a training split, with detailed information on the number of bytes and examples. Additionally, it provides information on the download size and dataset size.

原始信息汇总

数据集概述

数据集特征

• text: 文本数据，数据类型为字符串。
• id: 标识符，数据类型为字符串。
• dump: 数据类型为字符串。
• url: 链接地址，数据类型为字符串。
• file_path: 文件路径，数据类型为字符串。
• language: 语言信息，数据类型为字符串。
• language_score: 语言评分，数据类型为浮点数。
• token_count: 词元计数，数据类型为整数。
• score: 评分，数据类型为浮点数。
• int_score: 整数评分，数据类型为整数。

数据集分割

• train: 训练集，包含8个样本，总大小为43907.84590868683字节。

数据集大小

• 下载大小: 35430字节
• 数据集大小: 43907.84590868683字节

配置

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