stojchet/4-csn_java_python_subset

该数据集包含Java和Python两种编程语言的函数代码数据。每种语言的数据集都包含了多个特征，如仓库名称、函数路径、函数名称、完整函数字符串、语言、函数代码字符串、函数代码标记、函数文档字符串、函数文档标记、分割名称和函数代码URL。数据集分为训练集，其中Java训练集包含10507个示例，Python训练集包含10422个示例。

This dataset contains function code data for two programming languages, Java and Python. Each languages dataset includes multiple features such as repository name, function path, function name, whole function string, language, function code string, function code tokens, function documentation string, function documentation tokens, split name, and function code URL. The dataset is divided into training sets, with the Java training set containing 10,507 examples and the Python training set containing 10,422 examples.

原始信息汇总

数据集概述

配置信息

Java 配置

• 特征：
  • repository_name: 字符串
  • func_path_in_repository: 字符串
  • func_name: 字符串
  • whole_func_string: 字符串
  • language: 字符串
  • func_code_string: 字符串
  • func_code_tokens: 字符串序列
  • func_documentation_string: 字符串
  • func_documentation_tokens: 字符串序列
  • split_name: 字符串
  • func_code_url: 字符串
• 分割：
  • train:
    • 字节数: 26984592.92490649
    • 样本数: 10507
• 下载大小: 11780442 字节
• 数据集大小: 26984592.92490649 字节

Python 配置

• 特征：
  • repository_name: 字符串
  • func_path_in_repository: 字符串
  • func_name: 字符串
  • whole_func_string: 字符串
  • language: 字符串
  • func_code_string: 字符串
  • func_code_tokens: 字符串序列
  • func_documentation_string: 字符串
  • func_documentation_tokens: 字符串序列
  • split_name: 字符串
  • func_code_url: 字符串
• 分割：
  • train:
    • 字节数: 39106223.07892861
    • 样本数: 10422
• 下载大小: 17893433 字节
• 数据集大小: 39106223.07892861 字节

数据文件路径

• Java:
  • train: java/train-*
• Python:
  • train: python/train-*