paodigitalhub/blk-text-corpus

Verified Pa'O (Blk) Text Corpus - Pa'O Digital Hub

Dataset Summary

This is the official, verified parallel dataset for the Pa'O language (ISO 639-3: blk) and Burmese (Myanmar) translations. The data is natively sourced from local Pa'O native speakers and systematically compiled under the official project workflow of Pa'O Digital Hub.

ယိုနဝ်ꩻ Pa'O Digital Hub ၏ တရားဝင် လုပ်ငန်းစဉ်များမှတစ်ဆင့် ပအိုဝ်းဒေသခံ ကိုယ်တိုင် စနစ်တကျ စုဆောင်း၊ စိစစ်ပြီး အတည်ပြုထားသော တရားဝင် ပအိုဝ်း-မြန်မာ ဝါကျ စုဆောင်းမှု Dataset ဖြစ်ပါသည်။

Key Highlights & Verification (ယုံကြည်စိတ်ချရမှုနှင့် အတည်ပြုချက်)

• Native Sourced: ပအိုဝ်းဒေသခံ ပအိုဝ်းစာပေ ကျွမ်းကျင်သူများ ကိုယ်တိုင် ထုတ်ဝေ/စုဆောင်းထားခြင်း။
• Officially Verified: Pa'O Digital Hub ၏ စံချိန်စံညွှန်း လုပ်ငန်းစဉ်များအတိုင်း စိစစ်ထားသော တရားဝင် အချက်အလက် ဖြစ်ခြင်း။
• Standardized Format: ISO 639-3 (blk) စံနှုန်းအတိုင်း ID နှင့် Structure များကို စနစ်တကျ တည်ဆောက်ထားခြင်း။

---

Dataset Structure (ဒေတာဖွဲ့စည်းပုံ)

The dataset is stored in CSV (Comma-Separated Values) format with UTF-8 BOM encoding:

Column Name	Type	Description
id	string	Unique Sentence Identifier (e.g., blk_001)
paoh_sentence	string	Verified Text in Pa'O Language
myanmar_translation	string	Accurate Burmese Translation

How to use

Python / Hugging Face Datasets

# 1. Install and import required libraries for reading data
!pip install datasets pandas --quiet

import pandas as alldataset
from datasets import load_dataset

print("🔄 Starting to download all data for 'paodigitalhub/blk-text-corpus' from Hugging Face...")

try:
    # 2. Load the dataset
    raw_data = load_dataset("paodigitalhub/blk-text-corpus")
    
    # 3. Convert all retrieved data into a DataFrame
    split_name = list(raw_data.keys())[0] # Get 'train' or any available split
    df = alldataset.DataFrame(raw_data[split_name])
    
    # 4. Set display options to show all results without truncation
    alldataset.set_option('display.max_rows', None)      # Show all rows regardless of count
    alldataset.set_option('display.max_columns', None)   # Show all columns
    alldataset.set_option('display.max_colwidth', None)  # Show full text without truncation
    alldataset.set_option('display.width', 1000)         # Set display width
    
    # 5. Display the total number of rows
    print(f"✅ Data loaded successfully. Total rows: {len(df)}\n")
    
    # 6. Display all rows completely on the screen
    print("🖥️ --- All text in the dataset is as follows ---")
    print(df)

except Exception as e:
    print(f"❌ Connection failed: {e}")

Load the CSV file explicitly

If you want to specify the CSV files directly:

from datasets import load_dataset

dataset = load_dataset(
    "csv",
    data_files="data/paoh-sentences/*.csv"
)

print(dataset["train"][0])

Read with pandas

import pandas as pd

df = pd.read_csv(
    "data/paoh-sentences/blk-sentences-001.csv",
    encoding="utf-8-sig"
)

print(df.head())

Directory Structure

blk-text-corpus/
├── README.md
└── data/
    └── paoh-sentences/
        └── blk-sentences-001.csv