emozilla/pg19

该数据集是pg19的Paraquet版本，包含短书名、出版日期、链接和文本四个特征。数据集分为训练集、验证集和测试集，分别包含28602、50和100个样本。数据集的下载大小为2257437892字节，总大小为11511573599字节。数据集的统计信息显示，总字符数为11425076324，平均字符数为399450.2595622684。

原始信息汇总

数据集概述

数据集名称

pg19

数据集特征

• short_book_title: 字符串类型
• publication_date: 整数类型（int32）
• url: 字符串类型
• text: 字符串类型

数据集分割

• 训练集（train）:
  • 示例数量: 28602
  • 数据大小: 11453688452 字节
• 验证集（validation）:
  • 示例数量: 50
  • 数据大小: 17402295 字节
• 测试集（test）:
  • 示例数量: 100
  • 数据大小: 40482852 字节

数据集大小

• 下载大小: 2257437892 字节
• 数据集总大小: 11511573599 字节

统计信息

• 总字符数: 11425076324
• 平均字符长度: 399450.2595622684