community-datasets/so_stacksample

SO StackSample数据集包含了Stack Overflow编程问答网站上10%的问题和答案文本，分为三个表：问题表、答案表和标签表。问题表包含问题的标题、正文、创建日期、关闭日期（如果适用）、评分和所有者ID；答案表包含答案的正文、创建日期、评分和所有者ID，并通过ParentId列链接回问题表；标签表包含每个问题的标签。该数据集支持的任务包括从问题文本中识别标签、预测问题是否会被投票或关闭、预测问题回答所需的时间以及开放域问答。数据集的语言为英语和编程语言。

原始信息汇总

数据集卡片 for SO StackSample

数据集描述

数据集摘要

该数据集包含Stack Overflow编程问答网站上10%的问题和答案的文本。数据集分为三个表：

• Questions表：包含所有非删除的Stack Overflow问题的标题、正文、创建日期、关闭日期（如果适用）、分数和所有者ID，其ID是10的倍数。
• Answers表：包含这些问题的答案的正文、创建日期、分数和所有者ID。ParentId列链接到Questions表。
• Tags表：包含这些问题的标签。

支持的任务和排行榜

示例项目包括：

• 从问题文本中识别标签
• 根据问题的文本预测问题是否会获得投票、降票或关闭
• 预测回答问题所需的时间
• 开放域问答

语言

英语（en）和编程语言。

数据集结构

数据实例

Answers

json { "Id": { "feature_type": "Value", "dtype": "int32" }, "OwnerUserId": { "feature_type": "Value", "dtype": "int32" }, "CreationDate": { "feature_type": "Value", "dtype": "string" }, "ParentId": { "feature_type": "Value", "dtype": "int32" }, "Score": { "feature_type": "Value", "dtype": "int32" }, "Body": { "feature_type": "Value", "dtype": "string" } }

Questions

json { "Id": { "feature_type": "Value", "dtype": "int32" }, "OwnerUserId": { "feature_type": "Value", "dtype": "int32" }, "CreationDate": { "feature_type": "Value", "dtype": "string" }, "ClosedDate": { "feature_type": "Value", "dtype": "string" }, "Score": { "feature_type": "Value", "dtype": "int32" }, "Title": { "feature_type": "Value", "dtype": "string" }, "Body": { "feature_type": "Value", "dtype": "string" } }

Tags

json { "Id": { "feature_type": "Value", "dtype": "int32" }, "Tag": { "feature_type": "Value", "dtype": "string" } }

数据字段

Answers

• Id：答案帖子的唯一ID
• OwnerUserId：在StackOverflow上生成答案的人的用户ID，-1表示NA
• CreationDate：答案生成的日期，遵循标准日期时间格式
• ParentId：指答案所属问题的Id
• Score：答案获得的投票总和，可以是负数
• Body：答案的正文内容

Questions

• Id：问题帖子的唯一ID
• OwnerUserId：在StackOverflow上生成问题的人的用户ID，-1表示NA
• CreationDate：问题生成的日期，遵循标准日期时间格式
• ClosedDate：问题生成的日期，遵循标准日期时间格式，可以是NA
• Score：问题获得的投票总和，可以是负数
• Title：问题的标题
• Body：问题的正文内容

Tags

• Id：标签所属问题的ID
• Tag：标签名称

数据分割

数据集分为三个部分：

• Answers
• Questions
• Tags

数据集创建

策划理由

所有R问题和所有Python问题的数据集也在Kaggle上可用，但此数据集特别适用于跨多种语言的分析。

源数据

初始数据收集和规范化

[需要更多信息]

源语言生产者是谁？

StackOverflow用户。

注释

注释过程

[需要更多信息]

谁是注释者？

[需要更多信息]

个人和敏感信息

此数据包含可识别StackOverflow个别用户的信息。信息是自报告的。

[需要更多信息]

使用数据时的注意事项

数据集的社会影响

StackOverflow答案不保证是安全、可靠或正确的。某些答案可能故意不安全，例如在https://stackoverflow.com/a/35571883/5768407答案中，用户zys展示了一种故意绕过Google Play商店安全检查的解决方案。此类答案可能导致使用此数据的有偏模型，进一步传播不安全和不可靠的编程实践。

[需要更多信息]

偏见的讨论

[需要更多信息]

其他已知限制

[需要更多信息]

附加信息

数据集策展人

[需要更多信息]

许可信息

所有Stack Overflow用户贡献均在CC-BY-SA 3.0许可下发布，需要署名。

引用信息

内容来自Stack Overflow。

贡献

感谢@ncoop57添加此数据集。