CodeExp

我们提供了一个python代码-docstring语料库CodeExp，其中包含 (1) 2.3的大分区 百万原始代码-docstring对，(2) 一个介质 158,000对的分区从 使用学习的过滤器的原始语料库，以及 (3) 具有严格的人类13,000对的分区 注释。我们的数据收集过程利用了从人类那里学到的注释模型 自动过滤高质量的注释 来自原始GitHub数据集的代码-docstring对

We present CodeExp, a Python code-docstring corpus that comprises three partitions: (1) a large partition with 2.3 million raw code-docstring pairs; (2) a medium partition of 158,000 pairs filtered from the raw corpus using learned filters; (3) a strict partition containing 13,000 pairs with rigorous human annotations. Our data collection workflow leverages annotation models trained on human-labeled data to automatically filter high-quality code-docstring pairs from the original GitHub dataset.

搜集汇总

背景与挑战

背景概述

CodeExp是一个Python代码-docstring语料库，包含230万原始代码-docstring对、158,000对中等质量分区和13,000对高质量人工注释分区。数据集通过学习的注释模型自动过滤高质量注释，适用于文本分类等任务。