---
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。

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