ZhJiHo/CBRN_2023_50_filter

--- dataset_info: features: - name: text dtype: string - name: id dtype: string - name: metadata struct: - name: dump dtype: string - name: url dtype: string - name: date dtype: timestamp[s] - name: file_path dtype: string - name: language dtype: string - name: language_score dtype: float64 - name: token_count dtype: int64 splits: - name: train num_bytes: 113357436 num_examples: 9864 download_size: 64592869 dataset_size: 113357436 configs: - config_name: default data_files: - split: train path: data/train-* ---This dataset contains text data and its associated metadata. The text data includes text and id fields, and the metadata includes dump, url, date, file_path, language, language_score, and token_count. The dataset is divided into a training set, which contains 9864 samples with a total size of 113357436 bytes. The download size of the dataset is 64592869 bytes.

原始信息汇总

数据集概述

数据集特征

• text：文本类型，数据类型为字符串。
• id：标识符，数据类型为字符串。
• metadata：元数据结构，包含以下子特征：
  • dump：数据类型为字符串。
  • url：数据类型为字符串。
  • date：数据类型为时间戳（秒）。
  • file_path：数据类型为字符串。
  • language：数据类型为字符串。
  • language_score：数据类型为浮点数。
  • token_count：数据类型为整数。

数据集分割

• train：训练集，包含9864个样本，总大小为113357436字节。

数据集大小

• 下载大小：64592869字节。
• 数据集总大小：113357436字节。

配置

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