Emm9625/fw-edu_ctx512-10M

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
- name: score
dtype: float64
- name: int_score
dtype: int64
splits:
- name: train
num_bytes: 1286768.1719911266
num_examples: 19904
download_size: 29861937
dataset_size: 1286768.1719911266
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

特征信息

• 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: 数据转储，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: 语言标识，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。

数据分割

• train: 训练集，包含19904个样本，总大小为1286768.1719911266字节。

数据集大小

• 下载大小: 29861937字节
• 数据集大小: 1286768.1719911266字节

配置信息

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