faezeb/openthoughts_math50k-k4-all-style-pca-cap6

---
dataset_info:
features:
- name: model
dtype: string
- name: prompt
dtype: string
- name: response
dtype: string
- name: key
dtype: string
- name: source
dtype: string
- name: cluster
dtype: int64
- name: n_chars
dtype: int64
- name: n_tokens
dtype: int64
- name: n_words
dtype: int64
- name: n_lines
dtype: int64
- name: n_sents
dtype: int64
- name: avg_word_len
dtype: float64
- name: avg_sent_len_tokens
dtype: float64
- name: avg_line_len_tokens
dtype: float64
- name: type_token_ratio
dtype: float64
- name: entropy_words
dtype: float64
- name: unique_word_ratio
dtype: float64
- name: repetition_ratio
dtype: float64
- name: punct_ratio
dtype: float64
- name: n_exclaim
dtype: int64
- name: n_question
dtype: int64
- name: n_colon
dtype: int64
- name: n_semicolon
dtype: int64
- name: n_parens
dtype: int64
- name: n_commas
dtype: int64
- name: n_dashes
dtype: int64
- name: numbered_steps
dtype: int64
- name: bullet_lines
dtype: int64
- name: heading_lines
dtype: int64
- name: blank_lines
dtype: int64
- name: has_plan
dtype: float64
- name: has_final
dtype: float64
- name: has_sections
dtype: float64
- name: hedge_count
dtype: int64
- name: certainty_count
dtype: int64
- name: discourse_count
dtype: int64
- name: check_count
dtype: int64
- name: backtrack_count
dtype: int64
- name: first_person
dtype: int64
- name: second_person
dtype: int64
- name: apologies
dtype: int64
- name: filler_count
dtype: int64
- name: math_symbols
dtype: int64
- name: latex_inline
dtype: int64
- name: latex_display
dtype: int64
- name: theorem_words
dtype: int64
- name: fenced_code_blocks
dtype: int64
- name: inline_code_spans
dtype: int64
- name: code_keywords
dtype: int64
- name: indented_lines
dtype: int64
- name: brackets
dtype: int64
- name: backticks
dtype: int64
- name: urls
dtype: int64
- name: refs
dtype: int64
- name: steps_per_100_tokens
dtype: float64
- name: hedges_per_100_tokens
dtype: float64
- name: certainty_per_100_tokens
dtype: float64
- name: discourse_per_100_tokens
dtype: float64
- name: codekw_per_100_tokens
dtype: float64
- name: mathsym_per_100_tokens
dtype: float64
- name: newline_ratio
dtype: float64
- name: digit_ratio
dtype: float64
- name: upper_ratio
dtype: float64
- name: formal_proxy
dtype: int64
- name: style_cluster_id
dtype: int64
- name: style_cluster_conf
dtype: float64
- name: style_outlier
dtype: bool
- name: style_PC1
dtype: float64
- name: style_PC2
dtype: float64
- name: style_PC3
dtype: float64
- name: style_PC4
dtype: float64
- name: style_PC5
dtype: float64
- name: style_PC6
dtype: float64
splits:
- name: train
num_bytes: 16734929350
num_examples: 255212
download_size: 7315773955
dataset_size: 16734929350
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征：
- 名称：模型（model），数据类型：字符串型
- 名称：提示词（prompt），数据类型：字符串型
- 名称：回复（response），数据类型：字符串型
- 名称：键（key），数据类型：字符串型
- 名称：来源（source），数据类型：字符串型
- 名称：聚类簇（cluster），数据类型：64位整数型
- 名称：字符数（n_chars），数据类型：64位整数型
- 名称：词元（Token）数（n_tokens），数据类型：64位整数型
- 名称：单词数（n_words），数据类型：64位整数型
- 名称：行数（n_lines），数据类型：64位整数型
- 名称：句子数（n_sents），数据类型：64位整数型
- 名称：平均单词长度（avg_word_len），数据类型：64位浮点数型
- 名称：平均句子词元数（avg_sent_len_tokens），数据类型：64位浮点数型
- 名称：平均行词元数（avg_line_len_tokens），数据类型：64位浮点数型
- 名称：类型-词元比（type_token_ratio），数据类型：64位浮点数型
- 名称：单词熵（entropy_words），数据类型：64位浮点数型
- 名称：唯一单词比率（unique_word_ratio），数据类型：64位浮点数型
- 名称：重复比率（repetition_ratio），数据类型：64位浮点数型
- 名称：标点符号比率（punct_ratio），数据类型：64位浮点数型
- 名称：感叹号数量（n_exclaim），数据类型：64位整数型
- 名称：问号数量（n_question），数据类型：64位整数型
- 名称：冒号数量（n_colon），数据类型：64位整数型
- 名称：分号数量（n_semicolon），数据类型：64位整数型
- 名称：圆括号数量（n_parens），数据类型：64位整数型
- 名称：逗号数量（n_commas），数据类型：64位整数型
- 名称：破折号数量（n_dashes），数据类型：64位整数型
- 名称：编号步骤数（numbered_steps），数据类型：64位整数型
- 名称：项目符号行数（bullet_lines），数据类型：64位整数型
- 名称：标题行数（heading_lines），数据类型：64位整数型
- 名称：空行数（blank_lines），数据类型：64位整数型
- 名称：是否包含规划（has_plan），数据类型：64位浮点数型
- 名称：是否包含结尾（has_final），数据类型：64位浮点数型
- 名称：是否包含章节（has_sections），数据类型：64位浮点数型
- 名称：模糊语计数（hedge_count），数据类型：64位整数型
- 名称：确定性表述计数（certainty_count），数据类型：64位整数型
- 名称：话语标记计数（discourse_count），数据类型：64位整数型
- 名称：检查类表述计数（check_count），数据类型：64位整数型
- 名称：回溯类表述计数（backtrack_count），数据类型：64位整数型
- 名称：第一人称使用次数（first_person），数据类型：64位整数型
- 名称：第二人称使用次数（second_person），数据类型：64位整数型
- 名称：致歉表述次数（apologies），数据类型：64位整数型
- 名称：填充词计数（filler_count），数据类型：64位整数型
- 名称：数学符号数量（math_symbols），数据类型：64位整数型
- 名称：行内LaTeX（latex_inline）数量，数据类型：64位整数型
- 名称：块级LaTeX（latex_display）数量，数据类型：64位整数型
- 名称：定理相关词汇数（theorem_words），数据类型：64位整数型
- 名称：围栏代码块（fenced_code_blocks）数量，数据类型：64位整数型
- 名称：行内代码段（inline_code_spans）数量，数据类型：64位整数型
- 名称：代码关键词数量（code_keywords），数据类型：64位整数型
- 名称：缩进行数（indented_lines），数据类型：64位整数型
- 名称：方括号数量（brackets），数据类型：64位整数型
- 名称：反引号数量（backticks），数据类型：64位整数型
- 名称：统一资源定位符（URL，urls）数量，数据类型：64位整数型
- 名称：引用数量（refs），数据类型：64位整数型
- 名称：每100个词元的步骤数（steps_per_100_tokens），数据类型：64位浮点数型
- 名称：每100个词元的模糊语数（hedges_per_100_tokens），数据类型：64位浮点数型
- 名称：每100个词元的确定性表述数（certainty_per_100_tokens），数据类型：64位浮点数型
- 名称：每100个词元的话语标记数（discourse_per_100_tokens），数据类型：64位浮点数型
- 名称：每100个词元的代码关键词数（codekw_per_100_tokens），数据类型：64位浮点数型
- 名称：每100个词元的数学符号数（mathsym_per_100_tokens），数据类型：64位浮点数型
- 名称：换行符比率（newline_ratio），数据类型：64位浮点数型
- 名称：数字比率（digit_ratio），数据类型：64位浮点数型
- 名称：大写字母比率（upper_ratio），数据类型：64位浮点数型
- 名称：正式性代理指标（formal_proxy），数据类型：64位整数型
- 名称：风格聚类簇ID（style_cluster_id），数据类型：64位整数型
- 名称：风格聚类置信度（style_cluster_conf），数据类型：64位浮点数型
- 名称：风格离群值（style_outlier），数据类型：布尔型
- 名称：风格主成分1（style_PC1），数据类型：64位浮点数型
- 名称：风格主成分2（style_PC2），数据类型：64位浮点数型
- 名称：风格主成分3（style_PC3），数据类型：64位浮点数型
- 名称：风格主成分4（style_PC4），数据类型：64位浮点数型
- 名称：风格主成分5（style_PC5），数据类型：64位浮点数型
- 名称：风格主成分6（style_PC6），数据类型：64位浮点数型
数据集划分：
- 名称：训练集（train），字节数：16734929350，样本数：255212
下载大小：7315773955，数据集总大小：16734929350
数据集配置：
- 配置名称：默认配置（default），数据文件：
- 划分：训练集，路径：data/train-*