datablations/oscar-filter-small

---
dataset_info:
features:
- name: id
dtype: int64
- name: text
dtype: string
- name: meta
struct:
- name: annotations
sequence: string
- name: identification
struct:
- name: label
dtype: string
- name: prob
dtype: float64
- name: line_identifications
list:
- name: label
dtype: string
- name: prob
dtype: float64
- name: perplexity_score
dtype: float64
- name: warc_headers
struct:
- name: content-length
dtype: int64
- name: content-type
dtype: string
- name: warc-block-digest
dtype: string
- name: warc-date
dtype: string
- name: warc-identified-content-language
dtype: string
- name: warc-record-id
dtype: string
- name: warc-refers-to
dtype: string
- name: warc-target-uri
dtype: string
- name: warc-type
dtype: string
splits:
- name: train
num_bytes: 658480427
num_examples: 100000
download_size: 347756473
dataset_size: 658480427
---
# Dataset Card for "small-oscar"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集特征

• id: 整数类型 (int64)
• text: 字符串类型 (string)
• meta: 结构体类型，包含以下子特征：
  • annotations: 字符串序列
  • identification: 结构体，包含：
    • label: 字符串类型 (string)
    • prob: 浮点数类型 (float64)
  • line_identifications: 列表，每个元素包含：
    • label: 字符串类型 (string)
    • prob: 浮点数类型 (float64)
  • perplexity_score: 浮点数类型 (float64)
  • warc_headers: 结构体，包含：
    • content-length: 整数类型 (int64)
    • content-type: 字符串类型 (string)
    • warc-block-digest: 字符串类型 (string)
    • warc-date: 字符串类型 (string)
    • warc-identified-content-language: 字符串类型 (string)
    • warc-record-id: 字符串类型 (string)
    • warc-refers-to: 字符串类型 (string)
    • warc-target-uri: 字符串类型 (string)
    • warc-type: 字符串类型 (string)

数据集划分

• train:
  • 数据量: 658480427 字节
  • 示例数量: 100000

数据集大小

• 下载大小: 347756473 字节
• 数据集大小: 658480427 字节