Tristan/olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-suffix-array-dedup

该数据集包含文本、链接和抓取时间戳三个特征。训练集包含7520438个样本，总大小为33979057509.213223字节。整个数据集的下载大小为8573685687字节。

---
数据集信息：
特征字段：
- 名称：text，数据类型：字符串（string）
- 名称：url，数据类型：字符串（string）
- 名称：crawl_timestamp，数据类型：64位浮点数（float64）
数据划分：
- 名称：train，数据字节数：33979057509.213223，样本数量：7520438
下载大小：8573685687
数据集总大小：33979057509.213223
---
# "olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-suffix-array-dedup" 数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

• 名称: olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-suffix-array-dedup

数据集特征

• 特征1: text
  • 数据类型: string
• 特征2: url
  • 数据类型: string
• 特征3: crawl_timestamp
  • 数据类型: float64

数据集分割

• 训练集:
  • 数据量: 7520438条记录
  • 存储大小: 33979057509.213223字节

数据集大小

• 下载大小: 8573685687字节
• 总大小: 33979057509.213223字节