single-split dataset: drop files.parquet (auto-inference requires standard split names and unified schema)

README.md

@@ -25,7 +25,6 @@ tags:
 | 分片 | 行数 | 粒度 | 字段 |
 |---|---|---|---|
 | `train` (data/train.parquet) | 285,117 | 文本块 (chunk) | `source` / `title` / `chunk_index` / `chars` / `text` / **`embedding`** |
-| `files` (data/files.parquet) | 3,152 | 经文文件 | `source` / `title` / `chunks` / `chars` |
 
 - `source` = 源 Markdown 文件名 (与 ChromaDB 元数据一致);
 - `chunk_index` = 该块在文件内的序号 (与 ChromaDB `chunk_index` 一致),可按
@@ -34,7 +33,8 @@ tags:
 - `embedding` = `fixed_size_list<float32, 1024>`, `BAAI/bge-m3` 输出向量
   (**已 L2 归一化**,范数=1.0,与向量库完全一致),由建库时的 SiliconFlow 嵌入缓存
   直接导出, **未重新调用任何嵌入 API**;
-- 仓库内另含 **未压缩 Markdown 源文件** `markdowns/`(3,152 篇,与 `source` 一一对应)。
+- 仓库内另含 **未压缩 Markdown 源文件** `markdowns/`(3,152 篇,与 `source` 一一对应;
+  文件级统计可按 `source` 分组聚合得到)。
 
 ## 加载
 
@@ -42,11 +42,13 @@ tags:
 from datasets import load_dataset
 
 ds = load_dataset("Godners/DaoZang", split="train")    # 285,117 个文本块 (含向量)
-files = load_dataset("Godners/DaoZang", split="files") # 3,152 个经文文件
 
 # 直接取出与 ChromaDB 一致的向量做检索
 import numpy as np
 embeddings = np.array(ds["embedding"], dtype=np.float32)   # [N, 1024]
+
+# 文件级统计 (按 source 聚合)
+files = ds.to_pandas().groupby(["source", "title"])["chars"].agg(["count", "sum"])
 ```
 
 ## 相关仓库

data/files.parquet

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:ca60ddd960af75a0f69f3499f842b9a7207db170e353180fb9b58683673d63ce
-size 149151