barney49/xxx

该数据集包含文本数据，每个数据项包括文本内容（text）、唯一标识符（id）和元数据（metadata）。元数据包括数据来源（dump）、URL、日期（date）、文件路径（file_path）、语言（language）、语言评分（language_score）和词数统计（token_count）。数据集仅包含一个训练集，共有4431个样本，总大小为18920014字节。

The dataset contains text data, with each data item including text content (text), a unique identifier (id), and metadata. The metadata includes data source (dump), URL, date, file path (file_path), language, language score (language_score), and token count (token_count). The dataset contains only a training set with 4431 samples, totaling 18920014 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• text: 类型为字符串。
• id: 类型为字符串。
• metadata: 结构化数据，包含以下字段：
  • dump: 类型为字符串。
  • url: 类型为字符串。
  • date: 类型为时间戳（秒）。
  • file_path: 类型为字符串。
  • language: 类型为字符串。
  • language_score: 类型为浮点数（float64）。
  • token_count: 类型为整数（int64）。

数据分割

• train: 包含4431个样本，总字节数为18920014。

数据集大小

• 下载大小: 11451793字节。
• 数据集大小: 18920014字节。

配置

• default:
  • 数据文件:
    • train: 路径为data/train-*。