c3po-ai/edgar-corpus

Name: c3po-ai/edgar-corpus
Creator: c3po-ai
Published: 2023-07-18 16:27:41
License: 暂无描述

Hugging Face2023-07-18 更新2024-03-04 收录

下载链接：

https://hf-mirror.com/datasets/c3po-ai/edgar-corpus

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集包含多个配置，每个配置包含诸如filename、cik、year以及多个部分（例如section_1、section_1A等）的特征。每个配置有不同的划分（训练集、验证集、测试集），并对应有不同的大小和示例数量。数据集似乎与财务或法律文件相关，因为存在cik（中央索引键）和year字段，以及可能代表文档不同部分的多个部分。

提供机构：

c3po-ai

原始信息汇总

数据集概述

数据集配置

该数据集包含多个配置，每个配置对应不同年份的数据，具体包括：

config_name: .
config_name: full
config_name: year_1993
config_name: year_1994
config_name: year_1995
config_name: year_1996
config_name: year_1997
config_name: year_1998
config_name: year_1999
config_name: year_2000
config_name: year_2001
config_name: year_2002
config_name: year_2003
config_name: year_2004
config_name: year_2005
config_name: year_2006
config_name: year_2007
config_name: year_2008

数据特征

每个配置包含以下特征：

filename: 文件名，数据类型为字符串。
cik: CIK代码，数据类型为字符串。
year: 年份，数据类型为字符串。
section_1 至 section_15: 各部分内容，数据类型均为字符串。

数据分割

每个配置包含以下数据分割：

train: 训练集
validation: 验证集
test: 测试集

数据大小

每个配置的训练集、验证集和测试集的大小（字节数和样本数）如下：

`config_name: .`

train: 40,306,320,885 字节，220,375 样本

`config_name: full`

train: 32,237,457,024 字节，176,289 样本
validation: 4,023,129,683 字节，22,050 样本
test: 4,045,734,178 字节，22,036 样本

`config_name: year_1993`

train: 112,714,537 字节，1,060 样本
validation: 13,584,432 字节，133 样本
test: 14,520,566 字节，133 样本

`config_name: year_1994`

train: 198,955,093 字节，2,083 样本
validation: 23,432,307 字节，261 样本
test: 26,115,768 字节，260 样本

`config_name: year_1995`

train: 356,959,049 字节，4,110 样本
validation: 42,781,161 字节，514 样本
test: 45,275,568 字节，514 样本

`config_name: year_1996`

train: 738,506,135 字节，7,589 样本
validation: 89,873,905 字节，949 样本
test: 91,248,882 字节，949 样本

`config_name: year_1997`

train: 854,201,733 字节，8,084 样本
validation: 103,167,272 字节，1,011 样本
test: 106,843,950 字节，1,011 样本

`config_name: year_1998`

train: 904,075,497 字节，8,040 样本
validation: 112,630,658 字节，1,006 样本
test: 113,308,750 字节，1,005 样本

`config_name: year_1999`

train: 911,374,885 字节，7,864 样本
validation: 118,614,261 字节，984 样本
test: 116,706,581 字节，983 样本

`config_name: year_2000`

train: 926,444,625 字节，7,589 样本
validation: 113,264,749 字节，949 样本
test: 114,605,470 字节，949 样本

`config_name: year_2001`

train: 964,631,161 字节，7,181 样本
validation: 117,509,010 字节，898 样本
test: 116,141,097 字节，898 样本

`config_name: year_2002`

train: 1,049,271,720 字节，6,636 样本
validation: 128,339,491 字节，830 样本
test: 128,444,184 字节，829 样本

`config_name: year_2003`

train: 1,027,557,690 字节，6,672 样本
validation: 126,684,704 字节，834 样本
test: 130,672,979 字节，834 样本

`config_name: year_2004`

train: 1,129,657,843 字节，7,111 样本
validation: 147,499,772 字节，889 样本
test: 147,890,092 字节，889 样本

`config_name: year_2005`

train: 1,200,714,441 字节，7,113 样本
validation: 161,003,977 字节，890 样本
test: 160,727,195 字节，889 样本

`config_name: year_2006`

train: 1,286,566,049 字节，7,064 样本
validation: 160,843,494 字节，883 样本
test: 163,270,601 字节，883 样本

`config_name: year_2007`

train: 1,296,737,173 字节，6,683 样本
validation: 166,735,560 字节，836 样本
test: 156,399,535 字节，835 样本

`config_name: year_2008`

train: 1,296,737,173 字节，6,683 样本
validation: 166,735,560 字节，836 样本
test: 156,399,535 字节，835 样本

下载和数据集大小

每个配置的下载大小和数据集大小如下：