D4vidHuang/FSE2025_RNDSelection_ZH

该数据集包含9410个训练样本，每个样本包含多个特征，如文件ID、内容、仓库信息、路径、标记长度、原始评论、评论类型、检测到的语言和掩码评论。数据集总大小为125299190字节，下载大小为47209490字节。

This dataset contains 9410 training samples, each with multiple features such as file ID, content, repository information, path, token length, original comment, comment type, detected language, and masked comment. The total size of the dataset is 125299190 bytes, with a download size of 47209490 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• file_id: 文件ID，数据类型为字符串。
• content: 内容，数据类型为字符串。
• repo: 仓库，数据类型为字符串。
• path: 路径，数据类型为字符串。
• token_length: 标记长度，数据类型为整数。
• original_comment: 原始评论，数据类型为字符串。
• comment_type: 评论类型，数据类型为字符串。
• detected_lang: 检测到的语言，数据类型为字符串。
• masked_comment: 屏蔽的评论，数据类型为字符串。

数据分割

• train: 训练集，包含9410个样本，总字节数为125299190。

数据集大小

• 下载大小: 47209490字节。
• 数据集大小: 125299190字节。

配置

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