FurkanNar/PyHub

PyHub 是一个大规模、高质量的 Python 代码数据集，从 GitHub 上流行的开源仓库中收集而来。该数据集包含了 Python 源代码文件、测试文件以及相关的文档（如 README），旨在为代码理解和生成模型提供训练数据，特别适用于软件工程基准测试（如 SWE-bench）。数据集经过严格的筛选，仅包含星标数超过 50、创建于 2020 年之前的非分叉仓库，且每个仓库的大小不超过 100 MB，以确保数据质量和多样性。A large-scale dataset of Python source code, test files, and documentation scraped from high-quality GitHub repositories. Designed for training code understanding and generation models, particularly for software engineering benchmarks like SWE-bench.