thonyyy/tatoeba-nusax-mt-p2

该数据集包含多语言文本对，主要用于机器翻译任务。数据集的特征字段包括目标语言、目标文本、源语言、源文本、数据来源和数据分割。数据集中包含一个训练集分割，包含255,769个样本，总大小为80,956,876字节。下载大小为42,655,817字节。

This dataset contains multilingual text pairs, primarily used for machine translation tasks. The dataset features include target language, target text, source language, source text, data source, and data split. The dataset includes a training split with 255,769 samples, totaling 80,956,876 bytes. The download size is 42,655,817 bytes.

原始信息汇总

数据集概述

数据集特征

• source_lang：源语言，数据类型为字符串。
• target_lang：目标语言，数据类型为字符串。
• source_text：源文本，数据类型为字符串。
• target_text：目标文本，数据类型为字符串。
• data_split：数据分割类型，数据类型为字符串。
• data_source：数据来源，数据类型为字符串。
• Unnamed: 0：未命名列，数据类型为float64。

数据集分割

• 训练集（train）：
  • 数据大小：51,601,170字节
  • 示例数量：158,733个

数据集大小

• 下载大小：27,742,022字节
• 数据集总大小：51,601,170字节

配置

• 默认配置（default）：
  • 训练数据路径：data/train-*