NickyNicky/Code-290k-labels-programming_languages-NO_Chatgpt

该数据集包含编程代码片段的对话内容、检测到的语言以及多种编程语言的评分。数据集的构建过程中，使用了自动化文本处理技术和特定语言模式来标记编程语言，未使用高级语言模型如ChatGPT或LLMs。数据处理使用了pandas库，并通过并行处理提高了效率。最后，通过matplotlib库生成了编程语言分布的饼图。

原始信息汇总

数据集信息

特征

• conversations:
  • from: 数据类型为字符串
  • value: 数据类型为字符串
• lenguaje_detectado: 数据类型为字符串
• puntuaciones:
  • C: 数据类型为int64
  • C#: 数据类型为int64
  • C++: 数据类型为int64
  • Go: 数据类型为int64
  • HTML: 数据类型为int64
  • Java: 数据类型为int64
  • JavaScript: 数据类型为int64
  • Kotlin: 数据类型为int64
  • PHP: 数据类型为int64
  • Python: 数据类型为int64
  • Ruby: 数据类型为int64
  • Rust: 数据类型为int64
  • Scala: 数据类型为int64
  • Swift: 数据类型为int64
  • TypeScript: 数据类型为int64

数据分割

• train:
  • 字节数: 580134842
  • 样本数: 289094

数据大小

• 下载大小: 271854323
• 数据集大小: 580134842

配置

• default:
  • data_files:
    • split: train
    • path: data/train-*

语言

• en