README.md

metadata

pretty_name: Multi-kind Synthetic Dataset Lesson
license: apache-2.0
language:
  - zh
task_categories:
  - time-series-forecasting
  - tabular-classification
  - text-generation
tags:
  - synthetic
  - tutorial
  - multi-modal
size_categories:
  - 10K<n<100K
configs:
  - config_name: timeseries
    default: true
    data_files:
      - split: train
        path: data/timeseries/train.arrow
      - split: validation
        path: data/timeseries/validation.arrow
      - split: test
        path: data/timeseries/test.arrow
  - config_name: tabular
    data_files:
      - split: train
        path: data/tabular/train.arrow
      - split: validation
        path: data/tabular/validation.arrow
      - split: test
        path: data/tabular/test.arrow
  - config_name: text
    data_files:
      - split: train
        path: data/text/train.arrow
      - split: validation
        path: data/text/validation.arrow
      - split: test
        path: data/text/test.arrow

多类型合成数据练习

全部由脚本生成，包含时序、表格、文本三类数据。每类都有 train、validation、test。 configs 统一读取 data/ 下的 Arrow stream 文件；raw/ 保留 CSV 和 JSONL 原始文件。

配置	train	validation	test	字段
timeseries（默认）	3	3	3	item_id, start, end, freq, target
tabular	12	4	4	sample_id, temperature, humidity, label
text	12	4	4	sample_id, text, label

时序每行是一台传感器的一段数据，三段分别为前 144、后 48、最后 48 小时。 同一传感器出现在各 split，但时间点不重叠；这是预测已知传感器未来值的评估。 表格和文本是独立合成样本，按种子 42 打乱后按 60%/20%/20% 划分，sample_id 不重叠。 样例不适用于真实业务结论；重复模板文本只用于学习文件与划分流程。

from datasets import load_dataset
data = load_dataset("YOUR_USERNAME/multi-data-demo", name="text")
print(data["train"][0])