CoolFace
Datasetpublic

Pathwit/a-hospital-medical-wiki-dataset

A Hospital Medical Wiki Dataset 数据集简介 这是一个综合性的中文医学百科知识数据集，来源于A+医学百科(A Hospital)内容。数据集包含了大量的医学文章、健康知识、疾病介绍、药物信息、急救知识等医疗相关内容。 数据集统计 文件格式: JSONL (JSON Lines) 文件大小: ~245MB 语言: 中文 (zh-CN) 内容类型: 医学百科文章 数据结构 每行为一个JSON对象，包含以下字段： { "title": "文章标题", "url": "原始文章URL", "content": "文章正文内容", "categories": ["分类1", "分类2", ...], "content_length": 1190, "language": "zh-CN" } 字段说明 title: 文章标题 url: 原始网页URL content:… See the full description on the dataset page: https://huggingface.co/datasets/Pathwit/a-hospital-medical-wiki-dataset.

sourceHugging Facemitupdated 1y agoView on Hugging Face
2likes81downloads
Dataset Card

A Hospital Medical Wiki Dataset

数据集简介

这是一个综合性的中文医学百科知识数据集，来源于A+医学百科(A Hospital)内容。数据集包含了大量的医学文章、健康知识、疾病介绍、药物信息、急救知识等医疗相关内容。

数据集统计

  • —文件格式: JSONL (JSON Lines)
  • —文件大小: ~245MB
  • —语言: 中文 (zh-CN)
  • —内容类型: 医学百科文章

数据结构

每行为一个JSON对象，包含以下字段：

json
{
  "title": "文章标题",
  "url": "原始文章URL",
  "content": "文章正文内容",
  "categories": ["分类1", "分类2", ...],
  "content_length": 1190,
  "language": "zh-CN"
}

字段说明

  • —title: 文章标题
  • —url: 原始网页URL
  • —content: 文章的完整正文内容
  • —categories: 文章分类标签列表
  • —content_length: 文章内容字符数
  • —language: 内容语言（统一为zh-CN）

内容类别

数据集涵盖多个医学健康领域，包括但不限于：

  • —医学书籍: 中医理论、临床实践等医学专著
  • —药品信息: 急救药品、药物作用机制、用法用量
  • —医学知识: 人体解剖、生理病理、诊断治疗
  • —急救常识: 急救药品使用、急救处理方法
  • —健康保健: 日常保健、疾病预防、康复指导

使用方法

Python示例

python
import json

# 读取数据集
with open('articles.jsonl', 'r', encoding='utf-8') as f:
    for line in f:
        article = json.loads(line)
        print(f"标题: {article['title']}")
        print(f"内容长度: {article['content_length']} 字符")
        print(f"分类: {', '.join(article['categories'])}")
        print("---")

加载为DataFrame

python
import pandas as pd
import json

def load_jsonl(file_path):
    data = []
    with open(file_path, 'r', encoding='utf-8') as f:
        for line in f:
            data.append(json.loads(line))
    return pd.DataFrame(data)

# 加载数据
df = load_jsonl('articles.jsonl')
print(f"数据集包含 {len(df)} 篇文章")
print(f"平均文章长度: {df['content_length'].mean():.0f} 字符")

数据质量

  • —所有文章均为中文内容
  • —内容来源可靠，来自专业医学网站
  • —包含丰富的医学专业术语和知识
  • —文章长度分布广泛，从几百字到数千字不等

许可证

本数据集在MIT许可证下发布，详见LICENSE文件。

致谢

感谢A+医学百科(a-hospital.com)提供的优质医学内容资源。

联系方式

如有任何问题或建议，请通过Email联系：contact@medicnex.com