316usman/thematic4d-pw-embed-part4

---
dataset_info:
features:
- name: text
dtype: string
- name: country
dtype: string
- name: document_url
dtype: string
- name: source_url
dtype: string
- name: num_tokens
dtype: int64
splits:
- name: train
num_bytes: 393512332
num_examples: 616325
download_size: 149778722
dataset_size: 393512332
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- text：数据类型为字符串
- country：数据类型为字符串
- document_url：数据类型为字符串
- source_url：数据类型为字符串
- num_tokens：数据类型为64位整数，用于记录Token（Token）数量
数据集拆分：
- 训练集（train）：占用字节数为393512332，样本总数为616325
下载总大小为149778722，数据集总占用大小为393512332
配置项：
- 配置名称为default的配置：数据文件对应训练集拆分，文件路径为data/train-*

原始信息汇总

数据集概述

数据集特征

• text：字符串类型
• country：字符串类型
• document_url：字符串类型
• source_url：字符串类型
• num_tokens：整数类型（int64）

数据集划分

• 训练集（train）：
  • 数据量：616,325个样本
  • 大小：393,512,332字节

数据集大小

• 下载大小：149,778,722字节
• 数据集总大小：393,512,332字节