christopher/stack-smol-xxl

该数据集是从去重后的Stack数据集中生成的子集，包含了多种编程语言的代码文件。每个数据实例对应一个文件，文件内容存储在`content`字段中，其他字段提供了文件的元数据，如文件大小、编程语言、文件扩展名等。数据集还包含了与文件相关的仓库信息，如仓库路径、名称、许可证、星标数、分叉数、问题数等。

原始信息汇总

数据集概述

数据集特征

• hexsha (字符串): 文件的唯一Git哈希。
• size (整数): 未压缩文件的大小。
• ext (字符串): 文件扩展名。
• lang (字符串): 编程语言。
• max_stars_repo_path (字符串): 包含此文件的仓库路径，该仓库拥有最多的星标。
• max_stars_repo_name (字符串): 拥有最多星标的仓库名称。
• max_stars_repo_head_hexsha (字符串): 仓库头的哈希值。
• max_stars_repo_licenses (字符串序列): 仓库的许可证。
• max_stars_count (整数): 仓库的星标数量。
• max_stars_repo_stars_event_min_datetime (字符串): 星标事件的最早时间戳。
• max_stars_repo_stars_event_max_datetime (字符串): 星标事件的最晚时间戳。
• max_issues_repo_path (字符串): 包含此文件的仓库路径，该仓库拥有最多的问题。
• max_issues_repo_name (字符串): 拥有最多问题的仓库名称。
• max_issues_repo_head_hexsha (字符串): 仓库头的哈希值。
• max_issues_repo_licenses (字符串序列): 仓库的许可证。
• max_issues_count (整数): 仓库的问题数量。
• max_issues_repo_issues_event_min_datetime (字符串): 问题事件的最早时间戳。
• max_issues_repo_issues_event_max_datetime (字符串): 问题事件的最晚时间戳。
• max_forks_repo_path (字符串): 包含此文件的仓库路径，该仓库拥有最多的分支。
• max_forks_repo_name (字符串): 拥有最多分支的仓库名称。
• max_forks_repo_head_hexsha (字符串): 仓库头的哈希值。
• max_forks_repo_licenses (字符串序列): 仓库的许可证。
• max_forks_count (整数): 仓库的分支数量。
• max_forks_repo_forks_event_min_datetime (字符串): 分支事件的最早时间戳。
• max_forks_repo_forks_event_max_datetime (字符串): 分支事件的最晚时间戳。
• content (字符串): 文件内容。
• avg_line_length (浮点数): 文件的平均行长度。
• max_line_length (整数): 文件的最大行长度。
• alphanum_fraction (浮点数): 文件中字母数字字符的分数。

数据集大小

• 训练集 (train): 字节数为78577965159，示例数为11658586。
• 下载大小: 28807934580字节。
• 数据集大小: 78577965159字节。

数据实例

每个数据实例对应一个文件，文件内容存储在content特征中，其他特征如repository_name、licenses等提供元数据信息。

数据字段

• content (字符串): 文件内容。
• size (整数): 文件大小。
• lang (字符串): 编程语言。
• ext (字符串): 文件扩展名。
• avg_line_length (浮点数): 平均行长度。
• max_line_length (整数): 最大行长度。
• alphanum_fraction (浮点数): 字母数字字符的分数。
• hexsha (字符串): 唯一Git哈希。
• max_{stars|forks|issues}_repo_path (字符串): 仓库路径。
• max_{stars|forks|issues}_repo_name (字符串): 仓库名称。
• max_{stars|forks|issues}_repo_head_hexsha (字符串): 仓库头哈希。
• max_{stars|forks|issues}_repo_licenses (字符串序列): 仓库许可证。
• max_{stars|forks|issues}_count (整数): 星标/分支/问题数量。
• max_{stars|forks|issues}repo{stars|forks|issues}_min_datetime (字符串): 事件最早时间戳。
• max_{stars|forks|issues}repo{stars|forks|issues}_max_datetime (字符串): 事件最晚时间戳。