codeparrot/codecomplex

CodeComplex数据集包含4200个由人类程序员提交到编程竞赛的Java代码及其复杂度标签，这些标签由一组算法专家标注。数据集主要用于文本生成任务，特别是语言建模。数据集中包含的字段有源代码（src）、复杂度（complexity）、问题名称（problem）和问题来源（from）。复杂度字段有7个类别，每个类别大约有500个代码。数据集仅包含训练集，且数据来源于CodeForces。

原始信息汇总

CodeComplex Dataset 概述

数据集描述

CodeComplex 数据集包含 4,200 个由人类程序员提交至编程竞赛的 Java 代码及其由算法专家标注的复杂度标签。

数据结构

• 训练集：包含 4517 条数据。
• 特征：
  • src：Java 源代码。
  • complexity：程序复杂度，分为 7 类：常数、线性、二次、三次、对数、nlog(n) 和 NP-hard。
  • problem：问题名称。
  • from：问题来源。

数据实例

python {src: import java.io.*; import java.math.BigInteger; import java.util.InputMismatchException;..., complexity: quadratic, problem: 1179_B. Tolik and His Uncle, from: CODEFORCES}

数据字段

• src：字符串类型，表示 Java 源代码。
• complexity：字符串类型，表示程序复杂度。
• problem：字符串类型，表示问题名称。
• from：字符串类型，表示问题来源。

数据分割

数据集仅包含训练分割。

数据集创建

作者首先从 CodeForces 收集 Java 问题和解决方案代码，由经验丰富的人类标注者根据时间复杂度对每个代码进行标注。随后，不同的编程专家验证了人类标注者分配的每个数据的类别。

引用信息

@article{JeonBHHK22, author = {Mingi Jeon and Seung-Yeop Baik and Joonghyuk Hahn and Yo-Sub Han and Sang-Ki Ko}, title = {{Deep Learning-based Code Complexity Prediction}}, year = {2022}, }