AMead10/wikipedia_20240320_en

该数据集是基于2024年3月20日的英文维基百科dump创建的，包含id、url、title和text四个特征，数据类型均为字符串。数据集仅包含一个训练集分割，共有6,797,834个样本，总大小为22,057,264,844字节，下载大小为12,695,118,248字节。数据集的配置名为default，数据文件路径为data/train-*。

原始信息汇总

数据集概述

数据集信息

• 语言: 英语（en）
• 数据集大小: 22057264844 字节
• 下载大小: 12695118248 字节

数据集特征

• id: 字符串类型
• url: 字符串类型
• title: 字符串类型
• text: 字符串类型

数据集分割

• 训练集:
  • 示例数量: 6797834
  • 数据大小: 22057264844 字节

配置

• 默认配置:
  • 数据文件路径: data/train-*
  • 分割类型: 训练集