Geekography :: Datasets

该仓库包含从Github Archive提取的多个数据集，包含用户性别、国家等额外信息。数据涉及约150,000用户和250,000仓库，重点关注Github活动的社交编码部分，排除非社交化仓库。

This repository contains multiple datasets extracted from Github Archive, including additional information such as user gender and country. The data involves approximately 150,000 users and 250,000 repositories, with a focus on the social coding aspects of Github activities, excluding non-socialized repositories.

原始信息汇总

数据集概述

本数据集包含从Github Archive提取的多个数据集，重点关注GitHub上的社交编码活动，涉及约150,000名用户和250,000个仓库。

数据集文件描述

1. actors_attributes.json.gz

   • 描述：用户最后声明的属性。

2. actors_events.csv.gz

   • 描述：用户在GitHub上的活动事件计数。
   • 事件类型描述参考：Github API documentation

3. actors_patterns.csv.gz

   • 描述：用户行为模式的序列出现次数。每个模式代表一系列事件类型，用字母表示。
   • 事件类型与字母对应关系： python types = { "CommitCommentEvent": "A", "CreateEvent": "B", "DeleteEvent": "C", "FollowEvent": "D", "ForkEvent": "E", "GollumEvent": "F", "IssueCommentEvent": "G", "IssuesEvent": "H", "MemberEvent": "I", "PublicEvent": "J", "PullRequestEvent": "K", "PullRequestReviewCommentEvent": "L", "PushEvent": "M", "WatchEvent": "N" }

4. repos_events.csv.gz

   • 描述：GitHub上仓库的活动事件计数。

搜集汇总

数据集介绍

构建方式

Geekography :: Datasets数据集的构建是基于GitHub Archive的数据，通过提取并整合大约150,000名用户及250,000个仓库的信息，旨在专注于GitHub社交编码活动部分，而将非社交化仓库的活动排除在外。数据集包含用户和仓库的活动事件，以及用户属性等信息。

特点

本数据集的特点在于其针对GitHub社交编码活动的精准采样，涵盖了用户属性、活动事件计数以及行为模式。数据涵盖了多种事件类型，并通过简化的字母编码表示不同的行为模式，便于分析用户的行为特征。此外，数据集规模适中，方便研究者进行深入分析而不被海量数据所困扰。

使用方法

使用该数据集时，研究者可以首先关注actors_attibutes.json.gz文件以获取用户属性信息，actors_events.csv.gz和repos_events.csv.gz文件则分别提供了用户和仓库的事件计数，有助于分析用户活跃度。actors_patterns.csv.gz文件记录了用户行为的模式，可用于挖掘用户在GitHub上的行为习惯。用户需依据GitHub API文档中的事件类型描述来解读事件计数数据。

背景与挑战

背景概述

Geekography :: Datasets数据集，源自于GitHub Archive，由研究者在特定时间提取而构建。该数据集聚焦于GitHub平台上的社会性编码活动，筛选出约150,000名用户及250,000个仓库的样本，旨在对社交编码行为进行深入分析。数据集中包含用户属性、用户活动事件计数以及行为模式等信息，为理解开源社区的社交动态提供了重要资源，对于社会学、计算机科学以及开源生态研究等领域产生了显著影响。

当前挑战

在构建Geekography :: Datasets数据集的过程中，研究者面临了多重挑战。首先，如何从海量的GitHub Archive中提取具有代表性的样本是一大难题。其次，确保数据中用户行为的准确性与完整性，对于理解社交编码模式至关重要。此外，数据集在处理用户隐私信息，如性别和国家时，也需克服法律法规和伦理道德的挑战。在研究领域问题上，该数据集试图解决如何量化并分析开源社区中用户行为的动态模式，这对于构建健康、活跃的开源生态系统具有重要意义。

常用场景

经典使用场景

在社会科学与计算社会科学领域内，Geekography :: Datasets数据集被广泛用于分析GitHub用户行为模式与社会编码活动。该数据集通过记录用户事件及其行为模式，为研究者提供了深入探索开发者社区动态的宝贵资源。

实际应用

在实际应用中，该数据集可用于改善开源项目的管理策略，帮助项目维护者了解社区成员的活跃程度和贡献模式，从而优化项目协作流程和增强社区活力。

衍生相关工作

基于Geekography :: Datasets，研究者已衍生出众多相关工作，包括但不限于用户行为预测模型、社交网络分析以及开源项目成功因素的实证研究，进一步拓宽了数据驱动的社会科学研究视野。