ammarnasr/the-stack-java-clean

---
license: openrail
dataset_info:
features:
- name: hexsha
dtype: string
- name: size
dtype: int64
- name: content
dtype: string
- name: avg_line_length
dtype: float64
- name: max_line_length
dtype: int64
- name: alphanum_fraction
dtype: float64
splits:
- name: train
num_bytes: 3582248477.9086223
num_examples: 806789
- name: test
num_bytes: 394048264.9973618
num_examples: 88747
- name: valid
num_bytes: 3982797.09401595
num_examples: 897
download_size: 1323156008
dataset_size: 3980279540
task_categories:
- text-generation
language:
- code
tags:
- code
pretty_name: TheStack-Java
size_categories:
- 1M<n<10M
---

## Dataset 1: TheStack - Java - Cleaned

**Description**: This dataset is drawn from TheStack Corpus, an open-source code dataset with over 3TB of GitHub data covering 48 programming languages. We selected a small portion of this dataset to optimize smaller language models for Java, a popular statically typed language.

**Target Language**: Java

**Dataset Size**:
- Training: 900,000 files
- Validation: 50,000 files
- Test: 50,000 files

**Preprocessing**:
1. Selected Java as the target language due to its popularity on GitHub.
2. Filtered out files with average line length > 100 characters, maximum line length > 1000 characters, and alphabet ratio < 25%.
3. Split files into 90% training, 5% validation, and 5% test sets.

**Tokenizer**: Byte Pair Encoding (BPE) tokenizer with tab and whitespace tokens. GPT-2 vocabulary extended with special tokens.

**Training Sequences**: Sequences constructed by joining training data text to reach a context length of 2048 tokens (1024 tokens for full fine-tuning).

许可证：openrail
数据集信息：
特征：
- 名称：hexsha，数据类型：字符串（string）
- 名称：size，数据类型：64位整数（int64）
- 名称：content，数据类型：字符串（string）
- 名称：avg_line_length，数据类型：64位浮点数（float64）
- 名称：max_line_length，数据类型：64位整数（int64）
- 名称：alphanum_fraction，数据类型：64位浮点数（float64）
划分集：
- 名称：训练集（train）：字节数：3582248477.9086223，样本数：806789
- 名称：测试集（test）：字节数：394048264.9973618，样本数：88747
- 名称：验证集（valid）：字节数：3982797.09401595，样本数：897
下载大小：1323156008
数据集总大小：3980279540
任务类别：
- 文本生成（text-generation）
语言：
- 代码（code）
标签：
- 代码（code）
友好名称：TheStack-Java
规模类别：
- 100万<n<1000万（1M<n<10M）

**数据集1：TheStack-Java（清洗版）**
**描述**：本数据集源自TheStack语料库——该语料库是一款涵盖48种编程语言、存储超3TB GitHub开源代码数据的开源代码数据集。我们从中选取子集，用于优化面向Java（一种主流静态类型编程语言）的小型大语言模型（Large Language Model）。
**目标语言**：Java
**数据集规模**：
- 训练集：90万个文件
- 验证集：5万个文件
- 测试集：5万个文件
**预处理流程**：
1. 因Java在GitHub生态中拥有极高普及度，故将其选为目标语言。
2. 过滤掉同时满足以下条件的文件：平均行长度超过100字符、最大行长度超过1000字符，且字母数字占比低于25%。
3. 将数据集按90%训练集、5%验证集、5%测试集的比例进行划分。
**分词器**：采用字节对编码（Byte Pair Encoding, BPE）分词器，支持制表符与空白符Token，并基于GPT-2词表扩展了专用Token。
**训练序列构造**：将训练数据文本拼接为上下文长度为2048个Token的序列（全量微调时上下文长度设为1024个Token）。

原始信息汇总

数据集概述

数据集名称

• TheStack-Java

数据集描述

• 该数据集从TheStack Corpus中提取，该Corpus包含超过3TB的GitHub数据，涵盖48种编程语言。本数据集专注于优化Java语言的小型语言模型，Java是一种流行的静态类型语言。

目标语言

• Java

数据集大小

• 训练集: 900,000文件
• 验证集: 50,000文件
• 测试集: 50,000文件

预处理步骤

1. 选择Java作为目标语言，因其GitHub上的流行度。
2. 过滤掉平均行长度超过100个字符、最大行长度超过1000个字符以及字母比率低于25%的文件。
3. 将文件分为90%训练集、5%验证集和5%测试集。

分词器

• Byte Pair Encoding (BPE) 分词器，包含制表符和空格标记。GPT-2词汇表扩展了特殊标记。

训练序列

• 通过连接训练数据文本构建序列，以达到2048个标记的上下文长度（全精细调整为1024个标记）。

搜集汇总

数据集介绍

构建方式

在软件工程领域，高质量的代码数据集对于训练语言模型至关重要。该数据集源自TheStack语料库，这是一个覆盖48种编程语言的开源代码集合。研究者从中筛选出Java语言的相关文件，并进行了严格的预处理：首先基于Java在GitHub上的流行度进行选择，随后过滤掉平均行长度超过100字符、最大行长度超过1000字符以及字母数字比例低于25%的文件，以确保代码的规范性与可读性。最终，数据被划分为训练集、验证集和测试集，比例分别为90%、5%和5%，为模型训练提供了结构化的基础。

特点

作为专注于Java编程语言的数据集，其特点体现在多个维度。数据集规模适中，包含约90万训练文件、5万验证文件和5万测试文件，覆盖了广泛的Java代码示例。每个样本均包含哈希值、文件大小、代码内容及行长度等元数据，便于深入分析。通过预处理步骤，数据集剔除了异常格式的代码，提升了整体质量。此外，数据以文本生成任务为导向，适用于代码补全、生成等自然语言处理应用，为研究者和开发者提供了可靠的实验资源。

使用方法

在机器学习应用中，该数据集的使用方法遵循标准流程。用户可通过HuggingFace平台直接下载数据，利用其内置的分割进行模型训练与评估。数据以序列形式组织，通过连接训练文本构建长度为2048令牌的上下文，适用于基于Transformer架构的模型。预处理阶段已应用字节对编码（BPE）分词器，并扩展了GPT-2词汇表，支持高效的文本处理。研究者可将其用于代码生成模型的微调或预训练，结合验证集和测试集监控性能，推动软件智能化的发展。

背景与挑战

背景概述

在人工智能与软件工程交叉领域，代码生成与理解已成为核心研究方向。TheStack-Java-Clean数据集源于TheStack语料库，该库由BigCode社区于2023年构建，旨在提供大规模、高质量的开放源代码数据。该数据集聚焦于Java这一广泛使用的静态类型编程语言，通过从GitHub海量仓库中精选代码文件，为训练代码专用语言模型提供了结构化资源。其创建不仅推动了代码智能辅助工具的发展，也为研究程序语义理解、自动代码补全及缺陷检测等任务奠定了数据基础，对提升软件开发自动化水平具有显著影响力。

当前挑战

该数据集致力于解决代码生成与理解领域的核心挑战，即如何从自然语言描述中准确生成符合语法与逻辑的Java代码，并理解复杂代码语义。在构建过程中，面临多重挑战：首先，原始GitHub代码质量参差不齐，需过滤低质量或噪声文件，如过长的代码行或非字母数字比例异常的内容；其次，确保数据代表性需平衡代码风格与项目多样性，避免偏向特定领域或编码习惯；此外，预处理中需设计合理的序列长度与分词策略，以适配Transformer模型训练，同时保留代码的结构与语义完整性。

常用场景

经典使用场景

在软件工程与人工智能交叉领域，代码生成与理解已成为研究热点。该数据集作为高质量的Java代码语料库，其经典使用场景聚焦于训练与评估代码语言模型。通过提供大规模、经过清洗的Java源代码文件，研究者能够构建模型以学习Java语言的语法结构、编程范式及常见模式，进而应用于代码自动补全、程序合成等任务。数据集的结构化划分确保了模型在训练、验证和测试阶段的可靠性，为代码智能领域的基准实验奠定了坚实基础。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，基于其训练的轻量级Java代码生成模型被用于探索代码摘要与文档自动生成；部分研究利用该数据集进行代码克隆检测或漏洞预测，推动了软件安全领域的发展。同时，数据集作为基准被纳入代码语言模型评估框架（如CodeXGLUE），促进了学术界对模型性能的标准化比较。这些工作共同丰富了代码智能生态，为后续研究提供了方法论参考。

数据集最近研究

最新研究方向

在软件工程与人工智能交叉领域，基于Java代码的预训练模型研究正成为前沿热点。该数据集作为高质量Java代码的精选子集，为代码生成、缺陷检测及智能编程助手等任务提供了关键训练资源。当前研究聚焦于利用此类数据优化轻量级语言模型，以提升模型在代码理解与生成任务中的效率与准确性，同时探索代码语义表示与自动化重构技术，推动软件开发智能化进程。