Ali-C137/TARJAMAT-UNPC-EN-ZH

---
dataset_info:
- config_name: un-pc_ar-en
features:
- name: arabic
dtype: string
- name: english
dtype: string
- name: source
dtype: string
- name: metadata
dtype: string
splits:
- name: train
num_bytes: 8500696893
num_examples: 20044478
download_size: 3648057038
dataset_size: 8500696893
- config_name: un-pc_ar-zh
features:
- name: arabic
dtype: string
- name: chinese
dtype: string
- name: source
dtype: string
- name: metadata
dtype: 'null'
splits:
- name: train
num_bytes: 6707235000
num_examples: 17306056
download_size: 3058205349
dataset_size: 6707235000
configs:
- config_name: un-pc_ar-en
data_files:
- split: train
path: un-pc_ar-en/train-*
- config_name: un-pc_ar-zh
data_files:
- split: train
path: un-pc_ar-zh/train-*
---

数据集信息：
- 配置名称：un-pc_ar-en
特征：
- 字段名：arabic（阿拉伯语文本），数据类型：字符串
- 字段名：english（英语文本），数据类型：字符串
- 字段名：source（来源），数据类型：字符串
- 字段名：metadata（元数据），数据类型：字符串
划分集：
- 划分名称：train（训练集），占用字节数：8500696893，样本数量：20044478
下载大小：3648057038，数据集总大小：8500696893
- 配置名称：un-pc_ar-zh
特征：
- 字段名：arabic（阿拉伯语文本），数据类型：字符串
- 字段名：chinese（中文文本），数据类型：字符串
- 字段名：source（来源），数据类型：字符串
- 字段名：metadata（元数据），数据类型：空值
划分集：
- 划分名称：train（训练集），占用字节数：6707235000，样本数量：17306056
下载大小：3058205349，数据集总大小：6707235000
配置项：
- 配置名称：un-pc_ar-en，数据文件：
- 划分：train（训练集），路径：un-pc_ar-en/train-*
- 配置名称：un-pc_ar-zh，数据文件：
- 划分：train（训练集），路径：un-pc_ar-zh/train-*

原始信息汇总

数据集概述

数据集配置1: un-pc_ar-en

• 特征信息:

  • arabic: 数据类型为 string
  • english: 数据类型为 string
  • source: 数据类型为 string
  • metadata: 数据类型为 string

• 数据分割:

  • train: 包含 20044478 个示例，总字节数为 8500696893

• 数据集大小:

  • 下载大小: 3648057038 字节
  • 数据集总大小: 8500696893 字节

数据集配置2: un-pc_ar-zh

• 特征信息:

  • arabic: 数据类型为 string
  • chinese: 数据类型为 string
  • source: 数据类型为 string
  • metadata: 数据类型为 null

• 数据分割:

  • train: 包含 17306056 个示例，总字节数为 6707235000

• 数据集大小:

  • 下载大小: 3058205349 字节
  • 数据集总大小: 6707235000 字节