malteklaes/cpp-code-code_search_net-style

该数据集主要包含C++编程语言的代码片段，用于训练编程语言模型。数据集的结构包括数据实例、数据字段和数据分割。数据实例由函数代码及其文档组成，数据字段包括ID和实际代码行，数据分割包括训练集、测试集和验证集。此外，数据集还提供了引用信息，说明了数据集的来源和扩展情况。

原始信息汇总

数据集概述

许可证

• Apache-2.0

任务类别

• 文本生成
• 填充掩码

语言

• C++ 编程语言

数据集大小

• 1K<n<10K

数据集配置

• config_name: cpp
• features:
  • name: func_code_string dtype: string
• splits:
  • name: train num_examples: 50000
  • name: test num_examples: 10000
  • name: validation num_examples: 10000
• download_size: 0
• dataset_size: 0

数据集结构

• 数据实例:
  • 包含函数代码及其文档
  • 包含函数元数据，如来源仓库
• 数据字段:
  • id: 任意数字
  • func_code_string: 实际代码行（每行是一个完整的C++程序）
• 数据分割:
  • train: 50000行
  • test: 10000行
  • validation: 10000行

引用信息

• 数据集来源: https://huggingface.co/datasets/nguyentruong-ins/codeforces_cpp_cleaned/tree/main/data
• 格式和想法来源: https://huggingface.co/datasets/code_search_net
• 扩展作者: Klaes, Malte (2024)