jtatman/python-code-dataset-500k

github_python数据集是一个从GitHub代码总结和重构而来的文本生成数据集，包含output, instruction, system三个特征，共有559515个训练样本。但数据集存在质量问题，如大部分内容不够pythonic，包含过多原始代码的许可证信息，有些内容并非Python但有引用，以及大量GPL摘要混杂在代码响应或指令中。建议仅将此数据集作为起点使用。

原始信息汇总

数据集概述

数据集信息

• 特征:
  • output: 类型为字符串
  • instruction: 类型为字符串
  • system: 类型为字符串
• 分割:
  • train: 包含559515个样本，占用922266591字节
• 下载大小: 346944286字节
• 数据集大小: 922266591字节

配置

• 默认配置:
  • 数据文件路径: data/train-*

许可

• 许可证: MIT

任务类别

• 文本生成

标签

• 教学性
• Python
• 代码

易读名称

• github_python

大小类别

• 100K<n<1M