ab1993/abhihek_sample

--- license: apache-2.0 dataset_info: features: - name: url dtype: string - name: repository_url dtype: string - name: labels_url dtype: string - name: comments_url dtype: string - name: events_url dtype: string - name: html_url dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: number dtype: int64 - name: title dtype: string - name: user struct: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: labels list: - name: id dtype: int64 - name: node_id dtype: string - name: url dtype: string - name: name dtype: string - name: color dtype: string - name: default dtype: bool - name: description dtype: string - name: state dtype: string - name: locked dtype: bool - name: assignee struct: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: assignees list: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: milestone struct: - name: url dtype: string - name: html_url dtype: string - name: labels_url dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: number dtype: int64 - name: title dtype: string - name: description dtype: string - name: creator struct: - name: login dtype: string - name: id dtype: int64 - name: node_id dtype: string - name: avatar_url dtype: string - name: gravatar_id dtype: string - name: url dtype: string - name: html_url dtype: string - name: followers_url dtype: string - name: following_url dtype: string - name: gists_url dtype: string - name: starred_url dtype: string - name: subscriptions_url dtype: string - name: organizations_url dtype: string - name: repos_url dtype: string - name: events_url dtype: string - name: received_events_url dtype: string - name: type dtype: string - name: site_admin dtype: bool - name: open_issues dtype: int64 - name: closed_issues dtype: int64 - name: state dtype: string - name: created_at dtype: timestamp[s] - name: updated_at dtype: timestamp[s] - name: due_on dtype: 'null' - name: closed_at dtype: 'null' - name: comments sequence: string - name: created_at dtype: timestamp[s] - name: updated_at dtype: timestamp[s] - name: closed_at dtype: timestamp[s] - name: author_association dtype: string - name: active_lock_reason dtype: 'null' - name: body dtype: string - name: reactions struct: - name: url dtype: string - name: total_count dtype: int64 - name: '+1' dtype: int64 - name: '-1' dtype: int64 - name: laugh dtype: int64 - name: hooray dtype: int64 - name: confused dtype: int64 - name: heart dtype: int64 - name: rocket dtype: int64 - name: eyes dtype: int64 - name: timeline_url dtype: string - name: performed_via_github_app dtype: 'null' - name: state_reason dtype: string - name: draft dtype: bool - name: pull_request struct: - name: url dtype: string - name: html_url dtype: string - name: diff_url dtype: string - name: patch_url dtype: string - name: merged_at dtype: timestamp[s] - name: is_pull_request dtype: bool splits: - name: train num_bytes: 5533773 num_examples: 500 download_size: 1519891 dataset_size: 5533773 configs: - config_name: default data_files: - split: train path: data/train-* ---许可证：Apache-2.0 数据集信息： 特征字段： - 字段：url（统一资源定位符），数据类型：字符串 - 字段：repository_url（仓库URL），数据类型：字符串 - 字段：labels_url（标签URL），数据类型：字符串 - 字段：comments_url（评论URL），数据类型：字符串 - 字段：events_url（事件URL），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：number，数据类型：64位整数 - 字段：title（标题），数据类型：字符串 - 字段：user（用户），为结构体，包含子字段： - 字段：login（登录名），数据类型：字符串 - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：avatar_url（头像URL），数据类型：字符串 - 字段：gravatar_id（Gravatar ID），数据类型：字符串 - 字段：url（统一资源定位符），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：followers_url（关注者URL），数据类型：字符串 - 字段：following_url（关注中URL），数据类型：字符串 - 字段：gists_url（代码片段URL），数据类型：字符串 - 字段：starred_url（已星标URL），数据类型：字符串 - 字段：subscriptions_url（订阅URL），数据类型：字符串 - 字段：organizations_url（组织URL），数据类型：字符串 - 字段：repos_url（仓库URL），数据类型：字符串 - 字段：events_url（事件URL），数据类型：字符串 - 字段：received_events_url（接收事件URL），数据类型：字符串 - 字段：type（类型），数据类型：字符串 - 字段：site_admin（站点管理员），数据类型：布尔值 - 字段：labels（标签），为列表类型，列表元素包含子字段： - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：url（统一资源定位符），数据类型：字符串 - 字段：name（名称），数据类型：字符串 - 字段：color（颜色），数据类型：字符串 - 字段：default（默认标记），数据类型：布尔值 - 字段：description（描述），数据类型：字符串 - 字段：state（状态），数据类型：字符串 - 字段：locked（已锁定），数据类型：布尔值 - 字段：assignee（指派人），为结构体，包含子字段： - 字段：login（登录名），数据类型：字符串 - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：avatar_url（头像URL），数据类型：字符串 - 字段：gravatar_id（Gravatar ID），数据类型：字符串 - 字段：url（统一资源定位符），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：followers_url（关注者URL），数据类型：字符串 - 字段：following_url（关注中URL），数据类型：字符串 - 字段：gists_url（代码片段URL），数据类型：字符串 - 字段：starred_url（已星标URL），数据类型：字符串 - 字段：subscriptions_url（订阅URL），数据类型：字符串 - 字段：organizations_url（组织URL），数据类型：字符串 - 字段：repos_url（仓库URL），数据类型：字符串 - 字段：events_url（事件URL），数据类型：字符串 - 字段：received_events_url（接收事件URL），数据类型：字符串 - 字段：type（类型），数据类型：字符串 - 字段：site_admin（站点管理员），数据类型：布尔值 - 字段：assignees（指派人列表），为列表类型，列表元素包含子字段： - 字段：login（登录名），数据类型：字符串 - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：avatar_url（头像URL），数据类型：字符串 - 字段：gravatar_id（Gravatar ID），数据类型：字符串 - 字段：url（统一资源定位符），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：followers_url（关注者URL），数据类型：字符串 - 字段：following_url（关注中URL），数据类型：字符串 - 字段：gists_url（代码片段URL），数据类型：字符串 - 字段：starred_url（已星标URL），数据类型：字符串 - 字段：subscriptions_url（订阅URL），数据类型：字符串 - 字段：organizations_url（组织URL），数据类型：字符串 - 字段：repos_url（仓库URL），数据类型：字符串 - 字段：events_url（事件URL），数据类型：字符串 - 字段：received_events_url（接收事件URL），数据类型：字符串 - 字段：type（类型），数据类型：字符串 - 字段：site_admin（站点管理员），数据类型：布尔值 - 字段：milestone（里程碑），为结构体，包含子字段： - 字段：url（统一资源定位符），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：labels_url（标签URL），数据类型：字符串 - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：number，数据类型：64位整数 - 字段：title（标题），数据类型：字符串 - 字段：description（描述），数据类型：字符串 - 字段：creator（创建者），为结构体，包含子字段： - 字段：login（登录名），数据类型：字符串 - 字段：id，数据类型：64位整数 - 字段：node_id（节点ID），数据类型：字符串 - 字段：avatar_url（头像URL），数据类型：字符串 - 字段：gravatar_id（Gravatar ID），数据类型：字符串 - 字段：url（统一资源定位符），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：followers_url（关注者URL），数据类型：字符串 - 字段：following_url（关注中URL），数据类型：字符串 - 字段：gists_url（代码片段URL），数据类型：字符串 - 字段：starred_url（已星标URL），数据类型：字符串 - 字段：subscriptions_url（订阅URL），数据类型：字符串 - 字段：organizations_url（组织URL），数据类型：字符串 - 字段：repos_url（仓库URL），数据类型：字符串 - 字段：events_url（事件URL），数据类型：字符串 - 字段：received_events_url（接收事件URL），数据类型：字符串 - 字段：type（类型），数据类型：字符串 - 字段：site_admin（站点管理员），数据类型：布尔值 - 字段：open_issues（开放议题数），数据类型：64位整数 - 字段：closed_issues（已关闭议题数），数据类型：64位整数 - 字段：state（状态），数据类型：字符串 - 字段：created_at（创建时间），数据类型：秒级时间戳 - 字段：updated_at（更新时间），数据类型：秒级时间戳 - 字段：due_on（截止时间），数据类型：空值 - 字段：closed_at（关闭时间），数据类型：空值 - 字段：comments（评论），为字符串序列 - 字段：created_at（创建时间），数据类型：秒级时间戳 - 字段：updated_at（更新时间），数据类型：秒级时间戳 - 字段：closed_at（关闭时间），数据类型：秒级时间戳 - 字段：author_association（作者关联关系），数据类型：字符串 - 字段：active_lock_reason（活跃锁定原因），数据类型：空值 - 字段：body（内容），数据类型：字符串 - 字段：reactions（反馈反应），为结构体，包含子字段： - 字段：url（统一资源定位符），数据类型：字符串 - 字段：total_count（总反应数），数据类型：64位整数 - 字段：+1（点赞），数据类型：64位整数 - 字段：-1（点踩），数据类型：64位整数 - 字段：laugh（大笑反应），数据类型：64位整数 - 字段：hooray（欢呼反应），数据类型：64位整数 - 字段：confused（困惑反应），数据类型：64位整数 - 字段：heart（爱心反应），数据类型：64位整数 - 字段：rocket（火箭反应），数据类型：64位整数 - 字段：eyes（注视反应），数据类型：64位整数 - 字段：timeline_url（时间线URL），数据类型：字符串 - 字段：performed_via_github_app（通过GitHub应用执行），数据类型：空值 - 字段：state_reason（状态原因），数据类型：字符串 - 字段：draft（草稿），数据类型：布尔值 - 字段：pull_request（拉取请求），为结构体，包含子字段： - 字段：url（统一资源定位符），数据类型：字符串 - 字段：html_url（网页URL），数据类型：字符串 - 字段：diff_url（差异URL），数据类型：字符串 - 字段：patch_url（补丁URL），数据类型：字符串 - 字段：merged_at（合并时间），数据类型：秒级时间戳 - 字段：is_pull_request（是否为拉取请求），数据类型：布尔值 拆分信息： - 拆分名称：train（训练集），占用字节数：5533773，样本数量：500 下载大小：1519891，数据集总大小：5533773 配置信息： - 配置名称：default（默认配置），数据文件： - 拆分：train（训练集），路径：data/train-*

原始信息汇总

数据集概述

数据集信息

特征

• url: 字符串
• repository_url: 字符串
• labels_url: 字符串
• comments_url: 字符串
• events_url: 字符串
• html_url: 字符串
• id: 整数
• node_id: 字符串
• number: 整数
• title: 字符串
• user: 结构体
  • login: 字符串
  • id: 整数
  • node_id: 字符串
  • avatar_url: 字符串
  • gravatar_id: 字符串
  • url: 字符串
  • html_url: 字符串
  • followers_url: 字符串
  • following_url: 字符串
  • gists_url: 字符串
  • starred_url: 字符串
  • subscriptions_url: 字符串
  • organizations_url: 字符串
  • repos_url: 字符串
  • events_url: 字符串
  • received_events_url: 字符串
  • type: 字符串
  • site_admin: 布尔值
• labels: 列表
  • id: 整数
  • node_id: 字符串
  • url: 字符串
  • name: 字符串
  • color: 字符串
  • default: 布尔值
  • description: 字符串
• state: 字符串
• locked: 布尔值
• assignee: 结构体
  • login: 字符串
  • id: 整数
  • node_id: 字符串
  • avatar_url: 字符串
  • gravatar_id: 字符串
  • url: 字符串
  • html_url: 字符串
  • followers_url: 字符串
  • following_url: 字符串
  • gists_url: 字符串
  • starred_url: 字符串
  • subscriptions_url: 字符串
  • organizations_url: 字符串
  • repos_url: 字符串
  • events_url: 字符串
  • received_events_url: 字符串
  • type: 字符串
  • site_admin: 布尔值
• assignees: 列表
  • login: 字符串
  • id: 整数
  • node_id: 字符串
  • avatar_url: 字符串
  • gravatar_id: 字符串
  • url: 字符串
  • html_url: 字符串
  • followers_url: 字符串
  • following_url: 字符串
  • gists_url: 字符串
  • starred_url: 字符串
  • subscriptions_url: 字符串
  • organizations_url: 字符串
  • repos_url: 字符串
  • events_url: 字符串
  • received_events_url: 字符串
  • type: 字符串
  • site_admin: 布尔值
• milestone: 结构体
  • url: 字符串
  • html_url: 字符串
  • labels_url: 字符串
  • id: 整数
  • node_id: 字符串
  • number: 整数
  • title: 字符串
  • description: 字符串
  • creator: 结构体
    • login: 字符串
    • id: 整数
    • node_id: 字符串
    • avatar_url: 字符串
    • gravatar_id: 字符串
    • url: 字符串
    • html_url: 字符串
    • followers_url: 字符串
    • following_url: 字符串
    • gists_url: 字符串
    • starred_url: 字符串
    • subscriptions_url: 字符串
    • organizations_url: 字符串
    • repos_url: 字符串
    • events_url: 字符串
    • received_events_url: 字符串
    • type: 字符串
    • site_admin: 布尔值
  • open_issues: 整数
  • closed_issues: 整数
  • state: 字符串
  • created_at: 时间戳
  • updated_at: 时间戳
  • due_on: 空值
  • closed_at: 空值
• comments: 字符串序列
• created_at: 时间戳
• updated_at: 时间戳
• closed_at: 时间戳
• author_association: 字符串
• active_lock_reason: 空值
• body: 字符串
• reactions: 结构体
  • url: 字符串
  • total_count: 整数
  • +1: 整数
  • -1: 整数
  • laugh: 整数
  • hooray: 整数
  • confused: 整数
  • heart: 整数
  • rocket: 整数
  • eyes: 整数
• timeline_url: 字符串
• performed_via_github_app: 空值
• state_reason: 字符串
• draft: 布尔值
• pull_request: 结构体
  • url: 字符串
  • html_url: 字符串
  • diff_url: 字符串
  • patch_url: 字符串
  • merged_at: 时间戳
• is_pull_request: 布尔值

数据分割

• train: 500个样本，5533773字节

数据集大小

• 下载大小: 1519891字节
• 数据集大小: 5533773字节

配置

• default:
  • 数据文件:
    • train: data/train-*

搜集汇总

数据集介绍

构建方式

在开源协作与版本控制领域，GitHub议题（Issue）数据是理解软件项目演化、开发者行为及社区互动的重要资源。ab1993/abhihek_sample数据集正是基于这一背景构建而成，它精选了500条来自GitHub仓库的议题样本，每条记录均以结构化形式呈现。该数据集通过API采集了议题的完整元信息，涵盖URL、标题、状态、创建与更新时间等基础字段，并深度嵌套了用户信息、标签列表、指派人、里程碑、评论序列以及反应统计等复杂属性，同时保留了Pull Request关联标识，确保了数据在描述议题生命周期中的全面性与精细化。

使用方法

该数据集以Apache-2.0许可证开源，并托管于Hugging Face平台，用户可通过Hugging Face Datasets库便捷加载。使用时，只需调用`load_dataset("ab1993/abhihek_sample")`即可获取训练集，其默认配置下数据以Parquet格式存储于`data/train-*`路径中。加载后，每条样本均可作为字典访问，利用如`title`、`body`、`state`、`labels`等键值提取所需信息，适用于文本分类、情感分析、时间序列预测及用户行为分析等下游任务，亦可作为大规模GitHub议题分析的基准样本集。

背景与挑战

背景概述

在软件工程与数据科学交叉领域，开源协作平台GitHub上沉淀的海量议题（Issue）数据，为理解软件开发流程、团队协作模式及代码仓库管理提供了宝贵的数字足迹。ab1993/abhihek_sample数据集由研究者于近年创建，聚焦于GitHub议题的结构化记录，涵盖从议题元信息（如标题、状态、标签）到用户行为（如指派人、评论、反应）的丰富维度。该数据集的核心研究问题在于如何通过标准化议题特征，支撑自动化项目管理、开发者行为分析及软件质量预测等下游任务。尽管其规模有限（训练集仅500条样本），但作为议题数据建模的探索性资源，为后续大规模、多仓库的议题分析奠定了特征工程与数据格式的参考基准，尤其在推动议题分类、优先级排序及协作效率评估等研究方向中具有启发价值。

当前挑战

该数据集面临的核心挑战源于其构建与应用的固有矛盾。首先，针对的领域问题——GitHub议题的自动化理解与分类——受制于议题文本的多样性与噪声。开发者书写的议题标题与正文常包含非正式语言、代码片段或缺失上下文，导致传统自然语言处理模型难以精准捕捉语义，进而影响状态预测、标签推荐等任务的泛化能力。其次，构建过程中，数据采集仅依赖单一仓库的500条样本，样本量过小且缺乏跨项目多样性，易引发过拟合与领域偏移问题。此外，特征结构高度复杂（嵌套用户、标签、里程碑等对象），数据清洗与对齐需处理大量空值（如closed_at、milestone.due_on）及不一致的时间戳格式，增加了预处理阶段的工程负担。这些挑战共同制约了数据集在真实开源生态中的可迁移性与鲁棒性。

常用场景

经典使用场景

在软件工程与开源生态研究领域，ab1993/abhihek_sample数据集以GitHub Issue为核心载体，为开发者行为分析、项目管理模式挖掘及社区协作机制探索提供了结构化数据基础。该数据集收录了500条经过精心整理的Issue记录，涵盖标题、状态、标签、指派人、里程碑、评论及反应等关键字段，尤其适用于构建多标签分类模型以预测Issue的最终关闭状态或优先级。研究者可借助这些字段间的内在关联，训练模型自动识别高价值Issue，从而优化开源项目的资源分配与响应策略。

解决学术问题

该数据集有效破解了开源软件研究中长期存在的细粒度Issue数据匮乏难题。传统研究多依赖粗粒度的仓库级元数据，难以深入剖析开发者与Issue间的动态交互。通过提供用户信息、标签演化、反应计数及Pull Request关联等结构化维度，数据集支持对Issue生命周期、团队协作效率及社区情感倾向的量化分析。其意义在于，为验证社会技术因素（如指派人经验、标签多样性）对Issue解决时间的影响提供了可复现的实验基准，推动了实证软件工程从描述性统计向因果推断的范式跃迁。

实际应用

在实际工程场景中，该数据集可赋能智能开发工具链的构建。基于Issue标题与正文内容的文本特征，企业可训练自动化标签推荐系统，将新提交的Issue精准映射至预定义类别（如Bug、增强、问题），从而降低人工分类成本。同时，结合用户历史行为与Issue反应数据，可构建开发者健康度预警模型，识别因长期未分配或高争议性Issue导致的团队协作瓶颈。此外，通过分析里程碑与关闭时间的关联模式，项目管理平台能动态预测版本迭代风险，辅助决策者制定更科学的发布周期。

数据集最近研究

最新研究方向

该数据集聚焦于GitHub Issue与Pull Request的结构化元数据采集，为软件工程领域的协作行为分析提供了标准化样本。当前前沿研究多围绕开源生态系统中的协作模式挖掘、开发者行为预测以及项目健康度评估展开。例如，通过解析用户、标签、里程碑等字段，可构建开发者社交网络与项目演化图谱，进而探索代码审查效率、议题解决时间等关键指标的影响因素。此外，结合情感分析技术对评论与反应数据进行挖掘，能够揭示社区互动中的情绪传播规律。该数据集的发布为复现与扩展相关研究提供了可对比的基准，推动了从经验性分析向数据驱动型研究的范式转变。