bad49wolf/fineweb-edu-healthcare-snowflake-llama3-8b-nano-filtered-threshold-30

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: date
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
- name: score
dtype: float64
- name: int_score
dtype: int64
splits:
- name: train
num_bytes: 130967911.32581
num_examples: 38155
download_size: 87834341
dataset_size: 130967911.32581
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集信息

特征

• text: 文本数据，类型为字符串。
• id: 唯一标识符，类型为字符串。
• dump: 数据转储信息，类型为字符串。
• url: 数据来源的URL，类型为字符串。
• date: 数据日期，类型为字符串。
• file_path: 文件路径，类型为字符串。
• language: 语言信息，类型为字符串。
• language_score: 语言得分，类型为浮点数。
• token_count: 词元计数，类型为整数。
• score: 得分，类型为浮点数。
• int_score: 整数得分，类型为整数。

数据分割

• train: 训练集，包含38155个样本，总大小为130967911.32581字节。

数据集大小

• 下载大小: 87834341字节
• 数据集总大小: 130967911.32581字节

配置

• default: 默认配置，包含训练集数据文件，路径为data/train-*。