Harshkmr/finewebHindi

该数据集包含多个特征，如文本、ID、dump、URL、日期、文件路径、语言、语言评分和词数等。数据集仅包含一个训练集，共有3568个样本，数据大小为15451429字节，下载大小为8155327字节。

This dataset includes multiple features such as text, ID, dump, URL, date, file path, language, language score, and token count. The dataset contains only a training set with 3568 samples, a data size of 15451429 bytes, and a download size of 8155327 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• text: 文本数据，数据类型为字符串。
• id: 唯一标识符，数据类型为字符串。
• dump: 数据类型为字符串。
• url: 数据类型为字符串。
• date: 日期信息，数据类型为字符串。
• file_path: 文件路径，数据类型为字符串。
• language: 语言信息，数据类型为字符串。
• language_score: 语言评分，数据类型为浮点数。
• token_count: 标记数量，数据类型为整数。

数据分割

• train: 训练集，包含3568个样本，总字节数为15451429。

数据集大小

• 下载大小: 8155327字节
• 数据集大小: 15451429字节

配置

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