ruliad/fineweb_350BT_chunk_19

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: date
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
splits:
- name: train
num_bytes: 17040548941
num_examples: 5000000
download_size: 10201473473
dataset_size: 17040548941
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 字段名：文本（text），数据类型：字符串
- 字段名：标识符（id），数据类型：字符串
- 字段名：原始转储数据（dump），数据类型：字符串
- 字段名：统一资源定位符（Uniform Resource Locator），数据类型：字符串
- 字段名：日期（date），数据类型：字符串
- 字段名：文件路径（file_path），数据类型：字符串
- 字段名：语言（language），数据类型：字符串
- 字段名：语言检测得分（language_score），数据类型：64位浮点数
- 字段名：Token计数（token_count），数据类型：64位整数
数据集划分：
- 划分名称：训练集（train），字节数：17040548941，样本总数：5000000
下载总大小：10201473473
数据集占用总大小：17040548941
配置项：
- 配置名称：默认（default），数据文件：
- 所属划分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• text: 数据类型为字符串
• id: 数据类型为字符串
• dump: 数据类型为字符串
• url: 数据类型为字符串
• date: 数据类型为字符串
• file_path: 数据类型为字符串
• language: 数据类型为字符串
• language_score: 数据类型为浮点数
• token_count: 数据类型为整数

数据集分割

• train:
  • 字节数: 17040548941
  • 示例数: 5000000

数据集大小

• 下载大小: 10201473473
• 数据集大小: 17040548941

配置

• config_name: default
• data_files:
  • split: train
  • path: data/train-*