hyperdemocracy/usc-nomic-chunks-v1-s8192-o512

---
configs:
- config_name: default
data_files:
- path: data/usc-113-nomic-chunks-v1-s8192-o512.parquet
split: '113'
- path: data/usc-114-nomic-chunks-v1-s8192-o512.parquet
split: '114'
- path: data/usc-115-nomic-chunks-v1-s8192-o512.parquet
split: '115'
- path: data/usc-116-nomic-chunks-v1-s8192-o512.parquet
split: '116'
- path: data/usc-117-nomic-chunks-v1-s8192-o512.parquet
split: '117'
- path: data/usc-118-nomic-chunks-v1-s8192-o512.parquet
split: '118'
dataset_info:
features:
- dtype: string
name: chunk_id
- dtype: string
name: congress_num
- dtype: string
name: nomic_topic_depth_1
- dtype: string
name: nomic_topic_depth_2
- dtype: string
name: nomic_topic_depth_3
- dtype: float32
name: nomic_proj_x
- dtype: float32
name: nomic_proj_y
- list:
dtype: float32
name: nomic_vec
- dtype: string
name: text
- name: chunk_metadata
struct:
- dtype: string
name: chunk_id
- dtype: int32
name: chunk_index
- dtype: string
name: congress_num
- dtype: string
name: legis_class
- dtype: string
name: legis_id
- dtype: int32
name: legis_num
- dtype: string
name: legis_type
- dtype: string
name: legis_version
- dtype: int32
name: start_index
- dtype: string
name: text_date
- dtype: string
name: text_id
- name: bill_metadata
struct:
- dtype: string
name: introduced_date
- dtype: string
name: origin_chamber
- dtype: string
name: policy_area
- list:
dtype: string
name: subjects
- list:
- dtype: string
name: bioguide_id
- dtype: string
name: district
- dtype: string
name: first_name
- dtype: string
name: full_name
- dtype: string
name: is_by_request
- dtype: string
name: last_name
- dtype: string
name: middle_name
- dtype: string
name: party
- dtype: string
name: state
- name: identifiers
struct:
- dtype: string
name: bioguide_id
- dtype: string
name: lis_id
- dtype: string
name: gpo_id
name: sponsors
---

数据集配置：
- 配置名称：default
数据文件列表：
- 路径：data/usc-113-nomic-chunks-v1-s8192-o512.parquet，数据拆分子集：'113'
- 路径：data/usc-114-nomic-chunks-v1-s8192-o512.parquet，数据拆分子集：'114'
- 路径：data/usc-115-nomic-chunks-v1-s8192-o512.parquet，数据拆分子集：'115'
- 路径：data/usc-116-nomic-chunks-v1-s8192-o512.parquet，数据拆分子集：'116'
- 路径：data/usc-117-nomic-chunks-v1-s8192-o512.parquet，数据拆分子集：'117'
- 路径：data/usc-118-nomic-chunks-v1-s8192-o512.parquet，数据拆分子集：'118'
数据集详情：
特征字段：
- 数据类型：字符串型，字段名：chunk_id（分块ID）
- 数据类型：字符串型，字段名：congress_num（国会届次）
- 数据类型：字符串型，字段名：nomic_topic_depth_1（Nomic主题层级1）
- 数据类型：字符串型，字段名：nomic_topic_depth_2（Nomic主题层级2）
- 数据类型：字符串型，字段名：nomic_topic_depth_3（Nomic主题层级3）
- 数据类型：32位浮点型，字段名：nomic_proj_x（Nomic投影X坐标）
- 数据类型：32位浮点型，字段名：nomic_proj_y（Nomic投影Y坐标）
- 列表类型：元素为32位浮点型，字段名：nomic_vec（Nomic向量）
- 数据类型：字符串型，字段名：text（文本内容）
- 结构体类型字段：chunk_metadata（分块元数据），包含子字段：
- 数据类型：字符串型，字段名：chunk_id（分块ID）
- 数据类型：32位整型，字段名：chunk_index（分块索引）
- 数据类型：字符串型，字段名：congress_num（国会届次）
- 数据类型：字符串型，字段名：legis_class（立法类别）
- 数据类型：字符串型，字段名：legis_id（立法条目ID）
- 数据类型：32位整型，字段名：legis_num（立法条目编号）
- 数据类型：字符串型，字段名：legis_type（立法条目类型）
- 数据类型：字符串型，字段名：legis_version（立法条目版本）
- 数据类型：32位整型，字段名：start_index（起始索引）
- 数据类型：字符串型，字段名：text_date（文本日期）
- 数据类型：字符串型，字段名：text_id（文本ID）
- 结构体类型字段：bill_metadata（法案元数据），包含子字段：
- 数据类型：字符串型，字段名：introduced_date（提出日期）
- 数据类型：字符串型，字段名：origin_chamber（发起议院）
- 数据类型：字符串型，字段名：policy_area（政策领域）
- 列表类型：元素为字符串型，字段名：subjects（主题标签）
- 列表类型：元素为结构体，字段名：sponsors（提案发起人），每个结构体包含子字段：
- 数据类型：字符串型，字段名：bioguide_id
- 数据类型：字符串型，字段名：district（选区）
- 数据类型：字符串型，字段名：first_name（名字）
- 数据类型：字符串型，字段名：full_name（全名）
- 数据类型：字符串型，字段名：is_by_request（委托提案标识）
- 数据类型：字符串型，字段名：last_name（姓氏）
- 数据类型：字符串型，字段名：middle_name（中间名）
- 数据类型：字符串型，字段名：party（党派）
- 数据类型：字符串型，字段名：state（州/邦）
- 结构体类型字段：identifiers（标识符），包含子字段：
- 数据类型：字符串型，字段名：bioguide_id
- 数据类型：字符串型，字段名：lis_id
- 数据类型：字符串型，字段名：gpo_id

原始信息汇总

数据集配置

• 配置名称: default
• 数据文件路径及分割:
  • data/usc-113-nomic-chunks-v1-s8192-o512.parquet: 分割 113
  • data/usc-114-nomic-chunks-v1-s8192-o512.parquet: 分割 114
  • data/usc-115-nomic-chunks-v1-s8192-o512.parquet: 分割 115
  • data/usc-116-nomic-chunks-v1-s8192-o512.parquet: 分割 116
  • data/usc-117-nomic-chunks-v1-s8192-o512.parquet: 分割 117
  • data/usc-118-nomic-chunks-v1-s8192-o512.parquet: 分割 118

数据集信息

• 特征:
  • chunk_id: 字符串类型
  • congress_num: 字符串类型
  • nomic_topic_depth_1: 字符串类型
  • nomic_topic_depth_2: 字符串类型
  • nomic_topic_depth_3: 字符串类型
  • nomic_proj_x: 浮点数类型 (float32)
  • nomic_proj_y: 浮点数类型 (float32)
  • nomic_vec: 浮点数列表类型 (float32)
  • text: 字符串类型
  • chunk_metadata: 结构体类型
    • chunk_id: 字符串类型
    • chunk_index: 整数类型 (int32)
    • congress_num: 字符串类型
    • legis_class: 字符串类型
    • legis_id: 字符串类型
    • legis_num: 整数类型 (int32)
    • legis_type: 字符串类型
    • legis_version: 字符串类型
    • start_index: 整数类型 (int32)
    • text_date: 字符串类型
    • text_id: 字符串类型
  • bill_metadata: 结构体类型
    • introduced_date: 字符串类型
    • origin_chamber: 字符串类型
    • policy_area: 字符串类型
    • subjects: 字符串列表类型
    • sponsors: 结构体列表类型
      • bioguide_id: 字符串类型
      • district: 字符串类型
      • first_name: 字符串类型
      • full_name: 字符串类型
      • is_by_request: 字符串类型
      • last_name: 字符串类型
      • middle_name: 字符串类型
      • party: 字符串类型
      • state: 字符串类型
      • identifiers: 结构体类型
        • bioguide_id: 字符串类型
        • lis_id: 字符串类型
        • gpo_id: 字符串类型