polinaeterna/yat

---
dataset_info:
features:
- name: blob_id
dtype: string
- name: directory_id
dtype: string
- name: path
dtype: string
- name: content_id
dtype: string
- name: detected_licenses
sequence: string
- name: license_type
dtype: string
- name: repo_name
dtype: string
- name: snapshot_id
dtype: string
- name: revision_id
dtype: string
- name: branch_name
dtype: string
- name: visit_date
dtype: timestamp[ns]
- name: revision_date
dtype: timestamp[ns]
- name: committer_date
dtype: timestamp[ns]
- name: github_id
dtype: int64
- name: star_events_count
dtype: int64
- name: fork_events_count
dtype: int64
- name: gha_license_id
dtype: string
- name: gha_event_created_at
dtype: timestamp[ns]
- name: gha_created_at
dtype: timestamp[ns]
- name: gha_language
dtype: string
- name: src_encoding
dtype: string
- name: language
dtype: string
- name: is_vendor
dtype: bool
- name: is_generated
dtype: bool
- name: length_bytes
dtype: int64
- name: extension
dtype: string
splits:
- name: train
num_bytes: 4047876716
num_examples: 8865479
download_size: 2731723775
dataset_size: 4047876716
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

• blob_id: 字符串类型
• directory_id: 字符串类型
• path: 字符串类型
• content_id: 字符串类型
• detected_licenses: 字符串序列
• license_type: 字符串类型
• repo_name: 字符串类型
• snapshot_id: 字符串类型
• revision_id: 字符串类型
• branch_name: 字符串类型
• visit_date: 时间戳类型（纳秒）
• revision_date: 时间戳类型（纳秒）
• committer_date: 时间戳类型（纳秒）
• github_id: 64位整数类型
• star_events_count: 64位整数类型
• fork_events_count: 64位整数类型
• gha_license_id: 字符串类型
• gha_event_created_at: 时间戳类型（纳秒）
• gha_created_at: 时间戳类型（纳秒）
• gha_language: 字符串类型
• src_encoding: 字符串类型
• language: 字符串类型
• is_vendor: 布尔类型
• is_generated: 布尔类型
• length_bytes: 64位整数类型
• extension: 字符串类型

数据分割

• train:
  • 字节数: 4047876716
  • 样本数: 8865479

数据集大小

• 下载大小: 2731723775 字节
• 数据集大小: 4047876716 字节

配置

• default:
  • 数据文件:
    • 分割: train
    • 路径: data/train-*