bjoernp/oscar2301_de_deduped_filtered

--- dataset_info: features: - name: id dtype: int64 - name: text dtype: string - name: meta struct: - name: warc_headers struct: - name: warc-record-id dtype: string - name: warc-date dtype: string - name: content-type dtype: string - name: content-length dtype: int32 - name: warc-type dtype: string - name: warc-identified-content-language dtype: string - name: warc-refers-to dtype: string - name: warc-target-uri dtype: string - name: warc-block-digest dtype: string - name: identification struct: - name: label dtype: string - name: prob dtype: float32 - name: harmful_pp dtype: float32 - name: tlsh dtype: string - name: quality_warnings sequence: string - name: categories sequence: string - name: sentence_identifications list: - name: label dtype: string - name: prob dtype: float32 splits: - name: train num_bytes: 303054722776.2827 num_examples: 42108307 download_size: 211315018208 dataset_size: 303054722776.2827 --- # Dataset Card for "oscar2301_de_deduped_filtered" [More Information needed](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

oscar2301_de_deduped_filtered

数据集特征

• id: 整数类型（int64）
• text: 字符串类型（string）
• meta: 结构化数据
  • warc_headers: 结构化数据
    • warc-record-id: 字符串类型（string）
    • warc-date: 字符串类型（string）
    • content-type: 字符串类型（string）
    • content-length: 整数类型（int32）
    • warc-type: 字符串类型（string）
    • warc-identified-content-language: 字符串类型（string）
    • warc-refers-to: 字符串类型（string）
    • warc-target-uri: 字符串类型（string）
    • warc-block-digest: 字符串类型（string）
  • identification: 结构化数据
    • label: 字符串类型（string）
    • prob: 浮点数类型（float32）
  • harmful_pp: 浮点数类型（float32）
  • tlsh: 字符串类型（string）
  • quality_warnings: 字符串序列
  • categories: 字符串序列
  • sentence_identifications: 列表
    • label: 字符串类型（string）
    • prob: 浮点数类型（float32）

数据集拆分

• train:
  • 数据量: 303054722776.2827 字节
  • 示例数量: 42108307

数据集大小

• 下载大小: 211315018208 字节
• 数据集大小: 303054722776.2827 字节