davanstrien/ai4lam-demo

--- dataset_info: features: - name: record_id dtype: string - name: date dtype: timestamp[ns] - name: raw_date dtype: string - name: title dtype: string - name: place dtype: string - name: empty_pg dtype: bool - name: text dtype: string - name: pg dtype: int64 - name: mean_wc_ocr dtype: float64 - name: std_wc_ocr dtype: float64 - name: name dtype: string - name: all_names dtype: string - name: Publisher dtype: string - name: Country of publication 1 dtype: string - name: all Countries of publication dtype: string - name: Physical description dtype: string - name: Language_1 dtype: string - name: Language_2 dtype: string - name: Language_3 dtype: 'null' - name: Language_4 dtype: 'null' - name: multi_language dtype: bool splits: - name: train num_bytes: 5300866 num_examples: 4148 download_size: 2857751 dataset_size: 5300866 --- # Dataset Card for "ai4lam-demo" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)数据集信息： 特征项： - 名称：记录ID（record_id），数据类型：字符串 - 名称：日期（date），数据类型：纳秒级时间戳（timestamp[ns]） - 名称：原始日期（raw_date），数据类型：字符串 - 名称：标题（title），数据类型：字符串 - 名称：出版地点（place），数据类型：字符串 - 名称：空白页标记（empty_pg），数据类型：布尔型 - 名称：文本内容（text），数据类型：字符串 - 名称：页码（pg），数据类型：64位整数 - 名称：OCR文本平均词数（mean_wc_ocr），数据类型：64位浮点数 - 名称：OCR文本词数标准差（std_wc_ocr），数据类型：64位浮点数 - 名称：名称（name），数据类型：字符串 - 名称：所有名称（all_names），数据类型：字符串 - 名称：出版方（Publisher），数据类型：字符串 - 名称：第一出版国家（Country of publication 1），数据类型：字符串 - 名称：所有出版国家（all Countries of publication），数据类型：字符串 - 名称：物理描述（Physical description），数据类型：字符串 - 名称：第一语言（Language_1），数据类型：字符串 - 名称：第二语言（Language_2），数据类型：字符串 - 名称：第三语言（Language_3），数据类型：空值（null） - 名称：第四语言（Language_4），数据类型：空值（null） - 名称：多语言标记（multi_language），数据类型：布尔型 拆分集： - 名称：训练集（train），字节数：5300866，样本数量：4148 下载大小：2857751 数据集总大小：5300866 # "ai4lam-demo"数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集信息

特征

• record_id: 字符串类型
• date: 时间戳类型
• raw_date: 字符串类型
• title: 字符串类型
• place: 字符串类型
• empty_pg: 布尔类型
• text: 字符串类型
• pg: 整数类型
• mean_wc_ocr: 浮点数类型
• std_wc_ocr: 浮点数类型
• name: 字符串类型
• all_names: 字符串类型
• Publisher: 字符串类型
• Country of publication 1: 字符串类型
• all Countries of publication: 字符串类型
• Physical description: 字符串类型
• Language_1: 字符串类型
• Language_2: 字符串类型
• Language_3: 空值类型
• Language_4: 空值类型
• multi_language: 布尔类型

数据分割

• train:
  • 字节数: 5300866
  • 样本数: 4148

数据集大小

• 下载大小: 2857751 字节
• 数据集大小: 5300866 字节