D4vidHuang/FSE2025_Map_ZH

该数据集包含多个字段，包括文件ID、内容、仓库、路径、令牌长度、原始评论、评论类型、检测到的语言和掩码评论等。数据集包含一个训练分割，共有149,871个示例，总大小为3,205,873,059.84字节。

This dataset includes multiple fields such as file ID, content, repository, path, token length, original comment, comment type, detected language, and masked comment. The dataset contains a training split with a total of 149,871 examples and a size of 3,205,873,059.84 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: 掩码评论，数据类型为字符串。

数据分割

• train: 训练集，包含149871个样本，总大小为3205873059.8394547字节。

数据集大小

• 下载大小: 285172811字节
• 数据集大小: 3205873059.8394547字节

配置

• default: 默认配置，包含训练集数据文件，路径为data/train-*。