finiteautomata/yahoo_dataset

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: id
dtype: int32
- name: topic
dtype:
class_label:
names:
'0': Society & Culture
'1': Science & Mathematics
'2': Health
'3': Education & Reference
'4': Computers & Internet
'5': Sports
'6': Business & Finance
'7': Entertainment & Music
'8': Family & Relationships
'9': Politics & Government
- name: question_title
dtype: string
- name: question_content
dtype: string
- name: best_answer
dtype: string
- name: question_title_embeddings
sequence: float32
- name: question_content_embeddings
sequence: float32
- name: best_answer_embeddings
sequence: float32
splits:
- name: train
num_bytes: 1032387680
num_examples: 200000
- name: test
num_bytes: 309853862
num_examples: 60000
download_size: 500190426
dataset_size: 1342241542
---
# Dataset Card for "yahoo_dataset"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
配置项：
- 配置名称：default
数据文件：
- 训练拆分：路径为`data/train-*`
- 测试拆分：路径为`data/test-*`
数据集信息：
特征字段：
1. `id`：数据类型为int32（32位整数）
2. `topic`：数据类型为类别标签（class_label），其类别映射关系如下：
`'0'`：社会与文化（Society & Culture）
`'1'`：科学与数学（Science & Mathematics）
`'2'`：健康（Health）
`'3'`：教育与参考（Education & Reference）
`'4'`：计算机与互联网（Computers & Internet）
`'5'`：体育（Sports）
`'6'`：商业与金融（Business & Finance）
`'7'`：娱乐与音乐（Entertainment & Music）
`'8'`：家庭与人际关系（Family & Relationships）
`'9'`：政治与政府（Politics & Government）
3. `question_title`：字符串类型（string）
4. `question_content`：字符串类型
5. `best_answer`：字符串类型
6. `question_title_embeddings`：float32（32位浮点数）序列
7. `question_content_embeddings`：float32序列
8. `best_answer_embeddings`：float32序列
拆分信息：
- 训练集（train）：字节大小为1032387680，样本数量为200000
- 测试集（test）：字节大小为309853862，样本数量为60000
下载大小：500190426，总数据集大小：1342241542
---
# 雅虎数据集（yahoo_dataset）数据集卡片
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

配置

• 默认配置：
  • 训练集：路径为 data/train-*
  • 测试集：路径为 data/test-*

数据特征

• id：数据类型为 int32
• topic：数据类型为分类标签，包含以下类别：
  • 0: Society & Culture
  • 1: Science & Mathematics
  • 2: Health
  • 3: Education & Reference
  • 4: Computers & Internet
  • 5: Sports
  • 6: Business & Finance
  • 7: Entertainment & Music
  • 8: Family & Relationships
  • 9: Politics & Government
• question_title：数据类型为 string
• question_content：数据类型为 string
• best_answer：数据类型为 string
• question_title_embeddings：数据类型为 float32 序列
• question_content_embeddings：数据类型为 float32 序列
• best_answer_embeddings：数据类型为 float32 序列

数据分割

• 训练集：
  • 字节数：1032387680
  • 样本数：200000
• 测试集：
  • 字节数：309853862
  • 样本数：60000

数据集大小

• 下载大小：500190426 字节
• 数据集大小：1342241542 字节