mikemayuare/PubChem10M_SMILES_SELFIES

该数据集包含两个主要特征：SMILES和SELFIES，均为字符串类型。数据集分为一个训练集，包含10,000,000个样本，总大小为2,484,726,357字节。下载大小为847,754,081字节。默认配置下的数据文件路径为data/train-*。

The dataset contains two main features: SMILES and SELFIES, both of string type. The dataset is divided into a training set containing 10,000,000 samples, with a total size of 2,484,726,357 bytes. The download size is 847,754,081 bytes. The data file path under the default configuration is data/train-*.

原始信息汇总

数据集概述

数据集信息

• 特征:

  • SMILES: 数据类型为字符串。
  • SELFIES: 数据类型为字符串。

• 数据分割:

  • 训练集 (train):
    • 包含10,000,000个样本。
    • 大小为2,484,726,357字节。

• 数据集大小:

  • 下载大小: 847,754,081字节。
  • 总大小: 2,484,726,357字节。

配置

• 默认配置 (default):
  • 数据文件路径: data/train-*

搜集汇总

背景与挑战

背景概述

该数据集是一个包含1000万行化学分子表示的大型数据集，每行数据包含SMILES字符串及其对应的SELFIES字符串，用于化学信息学和机器学习任务。数据集以parquet格式存储，总大小约848 MB，已用于训练如SELFYBPE等模型。