Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Create Dataset with metadata

Aperta
  • Qualcosa non va?
#124 0 commenti 3 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
4/5
Tempo stimato
3-5 giorni
Idoneità per principianti
25/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Ferma
Stack tecnologico
python
Ambito
data-engineering

Direzione di ricerca

Non vengono indicati file o test. Inizia esaminando i passaggi di estrazione completati e l'output attuale del dataset, quindi procedi con gli elementi rimanenti della checklist: ripulisci le righe vuote e le colonne degli errori secondo necessità, raccogli i metadati se richiesto e invia il dataset completato all'Hub.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

#dataset Epic

Steps:

  • pseudo crawl ~10% of C4 web page from Common Crawl @tianjianjiang
  • import pseudo crawled dataset on JZ @SaulLu
  • run 1st step of extraction:
    1. Extract text, HTML head sections, HTML footer sections, HTML Titles section and HTML metadata @SaulLu
    2. Change format of URL @SaulLu
    3. Extract Timestamp @cccntu @SaulLu
    4. Extract Generation Length Sentence @chkla @SaulLu
    5. Extract Generation Length Text @chkla @SaulLu
    6. Extract Data source @chkla @SaulLu
  • run 2nd step of extraction:
    1. Extract Website descriptions @shanyas10 @SaulLu
  • run 3rd step of extraction:
    1. Extract Entities @manandey @SaulLu
    2. (option) Extract Entities descriptions @manandey @SaulLu
  • run 4th step of extraction:
    1. Extract Paragraph @tianjianjiang @SaulLu
      • #114
      • #125
      • annotator (preprocessor) of the metadata
    2. Modify entities metadata with paragraph information @manandey @SaulLu
    3. Modify generation length with paragraph information @chkla @SaulLu
  • (optional) clean final dataset:
    1. Remove empty lines @SaulLu
    2. Remove "errors" columns @SaulLu
    3. (optional) Gather all metadata into same column @cccntu @timoschick @SaulLu
  • push dataset to Hub @SaulLu
Lingua principale
Python
Stelle
29
Fork
11
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di bigscience-workshop/metadata

Tutte le issue di bigscience-workshop/metadata

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.