pe-nlp/ov-kit-files-filtered

---
dataset_info:
features:
- name: file_path
dtype: string
- name: content
dtype: string
- name: size
dtype: int64
- name: lang
dtype: string
- name: avg_line_length
dtype: float64
- name: max_line_length
dtype: int64
- name: alphanum_fraction
dtype: float64
splits:
- name: train
num_bytes: 401329370.7403539
num_examples: 18233
download_size: 45626303
dataset_size: 401329370.7403539
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• file_path：文件路径，数据类型为字符串。
• content：内容，数据类型为字符串。
• size：大小，数据类型为整数。
• lang：语言，数据类型为字符串。
• avg_line_length：平均行长度，数据类型为浮点数。
• max_line_length：最大行长度，数据类型为整数。
• alphanum_fraction：字母数字比例，数据类型为浮点数。

数据集分割

• train：训练集，包含18233个样本，总大小为401329370.7403539字节。

数据集大小

• 下载大小：45626303字节。
• 数据集总大小：401329370.7403539字节。

配置

• 默认配置：
  • 数据文件路径格式：data/train-*。