Synthesis-Article

# **Synthesis-Article Dataset**

## Overview
The **Synthesis-Article** dataset contains scientific article metadata, including titles, abstracts, and categorical labels indicating subject areas such as Computer Science (`cs`), Physics (`phy`), Mathematics (`math`), and Statistics (`stat`).

## Dataset Details
- **Modality:** Tabular, Text
- **Format:** CSV
- **Size:** 10K - 100K rows
- **Libraries Used:** `pandas`, `Datasets`, `Croissant`
- **License:** Apache-2.0

## Dataset Structure
The dataset consists of the following columns:

| Column Name | Type | Description |
|------------|------|-------------|
| `title` | string | Title of the scientific article |
| `abstract` | string | Abstract of the article |
| `cs` | int64 | Binary label indicating if the article belongs to Computer Science (1: Yes, 0: No) |
| `phy` | int64 | Binary label indicating if the article belongs to Physics (1: Yes, 0: No) |
| `math` | int64 | Binary label indicating if the article belongs to Mathematics (1: Yes, 0: No) |
| `stat` | int64 | Binary label indicating if the article belongs to Statistics (1: Yes, 0: No) |

## Dataset Statistics
- **Total Rows:** 29,961
- **Train Split:** ~21K rows
- **Size of CSV:** 32.8 MB
- **Size of Auto-Converted Parquet:** 19.8 MB

## Usage
To load the dataset using `datasets`:

```python
from datasets import load_dataset

dataset = load_dataset("prithivMLmods/Synthesis-Article")
print(dataset)

# **合成文章数据集（Synthesis-Article Dataset）**

## 概述
本**合成文章数据集**收录学术文章的元数据，涵盖文章标题、摘要以及用于标注学科类别的分类标签，涉及计算机科学（Computer Science，缩写`cs`）、物理学（Physics，缩写`phy`）、数学（Mathematics，缩写`math`）与统计学（Statistics，缩写`stat`）等多个学科方向。

## 数据集详情
- **模态（Modality）**：表格数据、文本数据
- **格式（Format）**：CSV格式
- **规模（Size）**：10,000至100,000条数据行
- **所用依赖库（Libraries Used）**：`pandas`、`Datasets`、`Croissant`
- **授权协议（License）**：Apache-2.0

## 数据集结构
本数据集包含以下列：

| 列名 | 数据类型 | 描述 |
|------------|-----------|----------------------------------------------------------------------|
| `title` | 字符串 | 学术文章的标题 |
| `abstract` | 字符串 | 文章的摘要 |
| `cs` | int64 | 二元标签，用于标识该文章是否属于计算机科学领域（1：属于，0：不属于） |
| `phy` | int64 | 二元标签，用于标识该文章是否属于物理学领域（1：属于，0：不属于） |
| `math` | int64 | 二元标签，用于标识该文章是否属于数学领域（1：属于，0：不属于） |
| `stat` | int64 | 二元标签，用于标识该文章是否属于统计学领域（1：属于，0：不属于） |

## 数据集统计信息
- **总数据行数**：29,961
- **训练集划分**：约21,000条数据行
- **CSV文件大小**：32.8 MB
- **自动转换为Parquet格式后的大小**：19.8 MB

## 使用方法
通过`Datasets`库加载该数据集的示例代码如下：
python
from datasets import load_dataset

dataset = load_dataset("prithivMLmods/Synthesis-Article")
print(dataset)