djagatiya/synthetic_text_to_sql_d14

该数据集是gretelai/synthetic_text_to_sql的一个子集，包含了经过筛选的SQL查询数据。数据集根据SQLite数据库验证了SQL上下文和SQL查询的有效性，并确保表中有记录且SQL查询能产生输出。子集创建时选择了三种SQL复杂度（基本SQL、聚合、单连接）和14个领域（如技术、体育、物流等）。数据集包含训练集和测试集，分别有6713和408个示例，主要用于问答、表格问答和文本生成任务。

原始信息汇总

数据集概述

数据集信息

• 特征（Features）:

  • id: 数据类型为 int32
  • domain: 数据类型为 string
  • sql_complexity: 数据类型为 string
  • sql_prompt: 数据类型为 string
  • sql_context: 数据类型为 string
  • sql: 数据类型为 string

• 数据划分（Splits）:

  • train: 示例数量为 6713，占用空间为 3590009.15406 字节
  • test: 示例数量为 408，占用空间为 217195.32387626046 字节

• 数据集大小（Dataset Size）:

  • 下载大小: 1572203 字节
  • 数据集总大小: 3807204.4779362604 字节

配置（Configs）

• 默认配置（config_name: default）:
  • train 数据文件路径: data/train-*
  • test 数据文件路径: data/test-*

任务类别（Task Categories）

• 问答（question-answering）
• 表格问答（table-question-answering）
• 文本生成（text-generation）

语言（Language）

• 英语（en）

大小类别（Size Categories）

• 1K<n<10K

数据集来源

• 本数据集是 "gretelai/synthetic_text_to_sql" 的一个子集。

数据清洗标准

1. 验证 sql_context 和 sql 是否符合 SQLite 数据库。
2. 表中必须包含一些记录。
3. 执行 "sql" 查询后必须有输出。

子集创建

• 选择了 3 种 SQL 复杂度和 14 个领域来创建子集。
  • SQL 复杂度: [basic SQL, aggregation, single join]
  • 领域: ["technology", "sports", "logistics", "space", "energy", "finance", "agriculture", "justice", "retail", "media", "education", "healthcare", "fashion", "music"]