Datasets:

coastalcph

/

multi_eurlex

like 33

Follow

CoAStaL NLP Group 30

Thanks for reporting @Olivia-umich .

Unfortunately, I can't reproduce the bug:

In [2]: from datasets import load_dataset; ds = load_dataset("multi_eurlex", "en")
Downloading and preparing dataset multi_eurlex/en (download: 2.58 GiB, generated: 467.05 MiB, post-processed: Unknown size, total: 3.04 GiB) to .../.cache/huggingface/datasets/multi_eurlex/en/1.0.0/8ec8b79877a517369a143ead6679d1788d13e51cf641ed29772f4449e8364fb6...
Downloading data: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2.77G/2.77G [03:01<00:00, 15.3MB/s]
Dataset multi_eurlex downloaded and prepared to .../.cache/huggingface/datasets/multi_eurlex/en/1.0.0/8ec8b79877a517369a143ead6679d1788d13e51cf641ed29772f4449e8364fb6. Subsequent calls will reuse this data.                                                           
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:00<00:00, 178.56it/s]

In [3]: ds
Out[3]: 
DatasetDict({
    train: Dataset({
        features: ['celex_id', 'text', 'labels'],
        num_rows: 55000
    })
    test: Dataset({
        features: ['celex_id', 'text', 'labels'],
        num_rows: 5000
    })
    validation: Dataset({
        features: ['celex_id', 'text', 'labels'],
        num_rows: 5000
    })
})

Which version of datasets are you using? You can run the command datasets-cli env and copy-and-paste its output.