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-*