stojchet/0-csn_java_python_subset

该数据集包含Java和Python两种编程语言的函数代码及其相关信息。数据集的特征包括仓库名称、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，Java配置的训练集包含10507个样本，Python配置的训练集包含10422个样本。

This dataset includes function-related information for both Java and Python programming languages. Each configuration file details features such as repository name, path in repository, function name, whole function string, language type, function code string, code tokens, documentation string, documentation tokens, split name, and code URL. The dataset is divided into a training set, providing detailed data size and number of examples.

原始信息汇总

数据集概述

数据集配置

Java 配置

• 特征:
  • repository_name: 字符串类型
  • func_path_in_repository: 字符串类型
  • func_name: 字符串类型
  • whole_func_string: 字符串类型
  • language: 字符串类型
  • func_code_string: 字符串类型
  • func_code_tokens: 字符串序列
  • func_documentation_string: 字符串类型
  • func_documentation_tokens: 字符串序列
  • split_name: 字符串类型
  • func_code_url: 字符串类型
• 分割:
  • train: 包含 10507 个样本，占用 26984592.92490649 字节
• 下载大小: 11745896 字节
• 数据集大小: 26984592.92490649 字节

Python 配置

• 特征:
  • repository_name: 字符串类型
  • func_path_in_repository: 字符串类型
  • func_name: 字符串类型
  • whole_func_string: 字符串类型
  • language: 字符串类型
  • func_code_string: 字符串类型
  • func_code_tokens: 字符串序列
  • func_documentation_string: 字符串类型
  • func_documentation_tokens: 字符串序列
  • split_name: 字符串类型
  • func_code_url: 字符串类型
• 分割:
  • train: 包含 10422 个样本，占用 39106223.07892861 字节
• 下载大小: 18005310 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-*