ytzi/the-stack-dedup-python-filtered-docstrings-gpt2

---
dataset_info:
features:
- name: content
dtype: string
- name: input_ids
sequence: int32
- name: ratio_char_token
dtype: float64
- name: token_count
dtype: int64
splits:
- name: train
num_bytes: 86634631995
num_examples: 12760182
download_size: 27198966561
dataset_size: 86634631995
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征：
- 名称：content（内容），数据类型：字符串
- 名称：input_ids（输入词元(Token)序列编号），数据类型：int32序列
- 名称：ratio_char_token（字符与词元(Token)比率），数据类型：float64
- 名称：token_count（词元(Token)总数），数据类型：int64
数据集划分：
- 划分名称：train（训练集），总字节数：86634631995，样本数量：12760182
下载大小：27198966561
数据集总大小：86634631995
配置项：
- 配置名称：default（默认配置），数据文件：
- 划分：train（训练集），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• content：文本类型，数据类型为字符串。
• input_ids：序列类型，数据类型为32位整数。
• ratio_char_token：数值类型，数据类型为64位浮点数。
• token_count：数值类型，数据类型为64位整数。

数据集分割

• train：训练集，包含12760182个样本，总大小为86634631995字节。

数据集大小

• 下载大小：27198966561字节。
• 数据集总大小：86634631995字节。

配置信息

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