Stage 1 step 1: prepare.py, real corpus numbers (SAP-samples/abap-cheat-sheets)
Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_014aUaQeLnwbb1zTpN7kHeat
This commit is contained in:
370
train/data/stats.json
Normal file
370
train/data/stats.json
Normal file
@@ -0,0 +1,370 @@
|
||||
{
|
||||
"corpus": "/Users/erhankeseli/projects/abap-llm/corpus/corpus.jsonl",
|
||||
"seed": 20261003,
|
||||
"max_len": 16384,
|
||||
"estimate_tokens": 2636112,
|
||||
"real_tokens": 2806501,
|
||||
"ratio_real_to_estimate": 1.065,
|
||||
"all": {
|
||||
"docs": 370,
|
||||
"tokens": 2806501,
|
||||
"min": 49,
|
||||
"p50": 5195,
|
||||
"p90": 16923,
|
||||
"p99": 21483,
|
||||
"max": 31552
|
||||
},
|
||||
"kept": {
|
||||
"docs": 325,
|
||||
"tokens": 1966365,
|
||||
"min": 49,
|
||||
"p50": 4027,
|
||||
"p90": 14998,
|
||||
"p99": 16217,
|
||||
"max": 16273
|
||||
},
|
||||
"train": {
|
||||
"docs": 309,
|
||||
"tokens": 1886475,
|
||||
"min": 49,
|
||||
"p50": 4403,
|
||||
"p90": 14998,
|
||||
"p99": 16217,
|
||||
"max": 16273
|
||||
},
|
||||
"valid": {
|
||||
"docs": 16,
|
||||
"tokens": 79890,
|
||||
"min": 130,
|
||||
"p50": 3392,
|
||||
"p90": 16027,
|
||||
"p99": 16129,
|
||||
"max": 16129
|
||||
},
|
||||
"removed": [
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_OBJECTS (CLAS)"
|
||||
],
|
||||
"tokens": 17042
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRUCTURES (CLAS)"
|
||||
],
|
||||
"tokens": 16628
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"32_Performance_Notes__P03 (DOC)"
|
||||
],
|
||||
"tokens": 16742
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES (CLAS)"
|
||||
],
|
||||
"tokens": 19117
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES (CLAS)"
|
||||
],
|
||||
"tokens": 18883
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V755 (CLAS)"
|
||||
],
|
||||
"tokens": 19801
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"23_Date_and_Time (DOC)"
|
||||
],
|
||||
"tokens": 20347
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 17477
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"07_String_Processing__P02 (DOC)"
|
||||
],
|
||||
"tokens": 17916
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_CONSTRUCTOR_EXPR (CLAS)"
|
||||
],
|
||||
"tokens": 17368
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 31552
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRING_PROC__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 19499
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"04_ABAP_Object_Orientation__P06 (DOC)"
|
||||
],
|
||||
"tokens": 16694
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 18368
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"06_Dynamic_Programming__P07 (DOC)"
|
||||
],
|
||||
"tokens": 23994
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"28_Regular_Expressions (DOC)"
|
||||
],
|
||||
"tokens": 17900
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"06_Dynamic_Programming__P06 (DOC)"
|
||||
],
|
||||
"tokens": 16923
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_NUMERIC_OP__V816 (CLAS)"
|
||||
],
|
||||
"tokens": 19769
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"05_Constructor_Expressions__P01 (DOC)"
|
||||
],
|
||||
"tokens": 17349
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V755 (CLAS)"
|
||||
],
|
||||
"tokens": 17237
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V756 (CLAS)"
|
||||
],
|
||||
"tokens": 18069
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS)"
|
||||
],
|
||||
"tokens": 17923
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS)"
|
||||
],
|
||||
"tokens": 16924
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS)"
|
||||
],
|
||||
"tokens": 16770
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"14_ABAP_Unit_Tests__P03 (DOC)"
|
||||
],
|
||||
"tokens": 18549
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRING_PROC__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 22096
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"22_Released_ABAP_Classes__P01 (DOC)"
|
||||
],
|
||||
"tokens": 19022
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"21_XML_JSON__P01 (DOC)"
|
||||
],
|
||||
"tokens": 16625
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"29_Numeric_Operations__P01 (DOC)"
|
||||
],
|
||||
"tokens": 17805
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"03_ABAP_SQL__P01 (DOC)"
|
||||
],
|
||||
"tokens": 17305
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 18308
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"14_ABAP_Unit_Tests__P04 (DOC)"
|
||||
],
|
||||
"tokens": 17633
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"24_Builtin_Functions (DOC)"
|
||||
],
|
||||
"tokens": 16851
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_NUMERIC_OP (CLAS)"
|
||||
],
|
||||
"tokens": 19740
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 17355
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_BUILTIN_FUNC (CLAS)"
|
||||
],
|
||||
"tokens": 20446
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRING_PROC (CLAS)"
|
||||
],
|
||||
"tokens": 20311
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_UNIT_TEST__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 16394
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 21483
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DATE_TIME (CLAS)"
|
||||
],
|
||||
"tokens": 18634
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_XML_JSON (CLAS)"
|
||||
],
|
||||
"tokens": 16825
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_SQL (CLAS)"
|
||||
],
|
||||
"tokens": 18283
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES__V755 (CLAS)"
|
||||
],
|
||||
"tokens": 17309
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V756 (CLAS)"
|
||||
],
|
||||
"tokens": 20979
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"16_Data_Types_and_Objects__P02 (DOC)"
|
||||
],
|
||||
"tokens": 17891
|
||||
}
|
||||
],
|
||||
"by_type": {
|
||||
"CLAS": {
|
||||
"docs": 147,
|
||||
"tokens": 827969
|
||||
},
|
||||
"mixed(4)": {
|
||||
"docs": 6,
|
||||
"tokens": 28405
|
||||
},
|
||||
"DOC": {
|
||||
"docs": 106,
|
||||
"tokens": 1012152
|
||||
},
|
||||
"INTF": {
|
||||
"docs": 7,
|
||||
"tokens": 1792
|
||||
},
|
||||
"BDEF": {
|
||||
"docs": 6,
|
||||
"tokens": 1564
|
||||
},
|
||||
"DDLS": {
|
||||
"docs": 27,
|
||||
"tokens": 20614
|
||||
},
|
||||
"mixed(3)": {
|
||||
"docs": 2,
|
||||
"tokens": 6667
|
||||
},
|
||||
"PROG": {
|
||||
"docs": 13,
|
||||
"tokens": 55365
|
||||
},
|
||||
"DDLX": {
|
||||
"docs": 6,
|
||||
"tokens": 5003
|
||||
},
|
||||
"CLAS+DDLS": {
|
||||
"docs": 1,
|
||||
"tokens": 4563
|
||||
},
|
||||
"DCLS": {
|
||||
"docs": 2,
|
||||
"tokens": 245
|
||||
},
|
||||
"FUGR": {
|
||||
"docs": 2,
|
||||
"tokens": 2026
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"abap-cheat-sheets"
|
||||
],
|
||||
"iterations_2_epochs": 618
|
||||
}
|
||||
Reference in New Issue
Block a user