alexjercan/bugnet

该数据集基于CodeNet项目，包含用于在线编程竞赛的Python和C++代码提交。数据通过选择用户连续尝试修复错误提交的代码对来生成，并标注了每个更改指令的差异和错误。数据集已经过预处理，去除了lint工具检测出的错误，仅保留难以识别的错误。数据集以CSV格式存储，包含多个特征列，如problem_id、language、original_status等。

原始信息汇总

数据集概述

数据集配置

• Python配置

  • 特征：包含17个特征，如problem_id, language, original_status, fail, pass, change, i1, i2, j1, j2, error, stderr, stdout, description, input, output。
  • 数据分割：
    • 训练集：2557个示例，8237153字节。
    • 验证集：1105个示例，3497872字节。
    • 测试集：100个示例，205241字节。
  • 下载大小：19290233字节。
  • 数据集大小：11940266字节。

• C++配置

  • 特征：同样包含17个特征。
  • 数据分割：
    • 训练集：68621个示例，482930200字节。
    • 验证集：125个示例，1129323字节。
    • 测试集：4769个示例，40048505字节。
  • 下载大小：378900920字节。
  • 数据集大小：524108028字节。

数据集内容

• 数据集基于CodeNet项目，包含Python和C++代码提交，用于在线编程竞赛。
• 数据通过选择单个用户连续尝试修复错误提交的结果获得，代表为代码对，并由每个更改指令的差异和错误注释。
• 所有源代码文件已进行标记化，保持与原始数据集相同的格式。
• 与CodeNetPy相比，升级之处在于仅保留单行错误，移除了所有在linters上失败的文件。

数据集文件格式

• 数据集文件为CSV格式，包含以下列：
  • problem_id
  • language
  • original_status
  • fail
  • pass
  • change
  • i1
  • i2
  • j1
  • j2
  • error
  • stderr
  • stdout
  • description
  • input
  • output

AI搜集汇总

数据集介绍

构建方式

在软件工程领域，自动化错误检测与修复是提升代码质量的关键环节。BugNet数据集基于IBM的CodeNet项目构建，专注于Python与C++编程语言。其构建过程通过筛选在线编程竞赛中同一用户的连续提交记录，仅保留那些成功修复错误提交的代码对。数据经过精心处理，剔除了因代码格式检查工具（如linter）而失败的样本，确保聚焦于难以识别的逻辑错误，同时限定为单行错误变更，简化了错误定位与修复的复杂性。所有源代码均经过格式化工具处理，并保留了原始数据集的令牌化结构，最终以结构化CSV格式呈现，包含错误与修复代码的详细对比及执行信息。

特点

BugNet数据集在代码缺陷研究领域展现出独特价值。其核心特点在于专注于单行错误变更，这降低了错误检测与修复任务的复杂度，便于模型聚焦于细微的代码逻辑差异。数据集涵盖Python和C++两种主流语言，提供了丰富的跨语言分析机会。每个样本均包含完整的错误与修复代码对，辅以详细的变更位置标注、执行错误信息及问题描述，形成了多维度的分析基础。此外，数据经过严格的格式化与清理，去除了格式错误干扰，确保了研究的一致性与可靠性，为自动化代码修复工具的开发提供了高质量基准。

使用方法

在代码智能与软件维护研究中，BugNet数据集为模型训练与评估提供了实用框架。使用者可通过加载CSV格式的数据文件，直接访问代码对、变更标注及错误输出等字段。该数据集适用于监督学习任务，如错误定位、代码修复生成或缺陷分类，模型可基于`fail`与`pass`代码的对比进行训练。研究人员可利用提供的训练、验证和测试划分，进行模型性能的稳健评估。此外，丰富的元数据如问题描述和测试用例，支持更复杂的上下文感知分析，推动自动化代码质量提升技术的进步。

背景与挑战

背景概述

在软件工程与人工智能交叉领域，自动化程序修复与缺陷检测一直是核心研究议题。BugNet数据集由研究人员Alex Jercan等人于近年构建，其基础源自IBM的CodeNet项目，专注于Python与C++编程语言。该数据集通过收集在线编程竞赛中用户连续提交的代码对，精确标注了缺陷代码与修复后代码之间的差异及错误信息，旨在推动智能缺陷定位与自动修复模型的发展。其构建不仅深化了代码表示学习的研究，也为程序合成与软件质量保障提供了关键数据支撑，显著提升了相关领域模型的实用性与泛化能力。

当前挑战

BugNet数据集致力于解决程序自动修复与缺陷检测中的核心挑战，即如何精准定位单行错误并进行有效修复，这要求模型具备深层次的代码语义理解与逻辑推理能力。在构建过程中，挑战主要集中于数据清洗与标注的复杂性：需从海量竞赛提交中筛选出符合“单行错误”标准的代码对，并排除静态分析工具可识别的简单缺陷，以确保数据质量与任务难度。此外，跨语言（Python与C++）的代码表示统一与错误类型标准化也是构建中的关键难点，这些因素共同影响了数据集的规模与泛化性能。

常用场景

经典使用场景

在软件工程与程序分析领域，BugNet数据集为自动程序修复研究提供了关键资源。该数据集通过收集在线编程竞赛中Python和C++语言的代码提交对，聚焦于用户连续尝试修复错误提交的过程，并标注了代码差异与错误信息。其经典使用场景在于训练和评估机器学习模型，特别是针对单行错误的检测与修复任务，为研究者提供了结构化的代码变更序列，以模拟真实世界中程序调试的微观机制。

实际应用

在实际应用层面，BugNet数据集支撑了智能编程辅助工具的开发。基于该数据集训练的模型可集成到集成开发环境或在线评测平台中，实时检测代码中的潜在错误并提供修复建议，显著提升开发者的调试效率。此外，它还可用于教育领域，帮助学生理解常见编程错误及其修正策略，或用于自动化测试系统中，增强软件持续集成流程的可靠性。

衍生相关工作

围绕BugNet数据集，已衍生出多项经典研究工作。例如，基于其代码对和错误标注，研究者开发了多种序列到序列模型，用于学习从错误代码到正确代码的映射关系。同时，该数据集也促进了代码表示学习方法的创新，如结合抽象语法树与注意力机制的模型，以更精细地捕捉代码变更的语义。这些工作不仅推动了自动程序修复技术的进步，也为代码理解、代码生成等相邻领域提供了借鉴。