Eugleo/us-congressional-speeches-subset

该数据集包含与演讲相关的多种信息，如演讲ID、文本内容、会议厅、日期、演讲者信息（包括姓名、性别、所属州）、以及文本的行起始和结束位置等。数据集主要用于存储和分析演讲数据。数据集包含一个训练分割，共有5038919个示例，文件大小约为3.97GB。

This dataset contains various information related to speeches, such as speech ID, text content, chamber, date, speaker information (including name, gender, state), and the start and end lines of the text. The dataset is primarily used for storing and analyzing speech data. It includes a training split with 5,038,919 examples and a file size of approximately 3.97GB.

原始信息汇总

数据集概述

数据集信息

特征

• speech_id: 整数类型
• text: 大字符串类型
• chamber: 大字符串类型
• date: 时间戳类型
• number_within_file: 整数类型
• speaker: 大字符串类型
• first_name: 大字符串类型
• last_name: 大字符串类型
• state: 大字符串类型
• gender: 大字符串类型
• line_start: 整数类型
• line_end: 整数类型
• file: 大字符串类型
• char_count: 整数类型
• word_count: 整数类型

数据分割

• train:
  • 字节数: 3970740192.0034423
  • 样本数: 5038919

数据集大小

• 下载大小: 3078685556
• 数据集大小: 3970740192.0034423

配置

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