nuprl/stack-dedup-python-testgen-starcoder-filter-v2

---
dataset_info:
features:
- name: content
dtype: string
- name: content_with_types
dtype: 'null'
- name: sha1
dtype: string
- name: id
dtype: int64
- name: entrypoint
dtype: string
- name: tests
sequence: string
- name: coverage
dtype: int64
- name: tests_failed
sequence: string
splits:
- name: train
num_bytes: 305655078
num_examples: 157767
download_size: 118032344
dataset_size: 305655078
extra_gated_prompt: |
If you use this dataset, you agree to cite the paper (see below for citation).
---

# MultiPL-T Python Sources

## Citation

**If you use this dataset we request that you cite our work:**

```
@misc{cassano:multipl-t,
title={Knowledge Transfer from High-Resource to Low-Resource Programming Languages for Code LLMs},
author={Federico Cassano and John Gouwar and Francesca Lucchetti and Claire Schlesinger and Anders Freeman and Carolyn Jane Anderson and Molly Q Feldman and Michael Greenberg and Abhinav Jangda and Arjun Guha},
year={2024},
eprint={2308.09895},
archivePrefix={arXiv},
primaryClass={cs.PL}
}
```

数据集信息：
特征列表：
- 名称：内容（content），数据类型：字符串
- 名称：带类型内容（content_with_types），数据类型：空（null）
- 名称：SHA1哈希值（sha1），数据类型：字符串
- 名称：标识符（id），数据类型：64位整型
- 名称：入口点（entrypoint），数据类型：字符串
- 名称：测试用例（tests），类型：字符串序列
- 名称：覆盖率（coverage），数据类型：64位整型
- 名称：失败测试用例（tests_failed），类型：字符串序列
数据集划分：
- 名称：训练集（train），占用字节数：305655078，样本数量：157767
下载大小：118032344
数据集总大小：305655078
申请访问提示：
若使用本数据集，请同意引用下述论文（引用格式详见下文）。

# MultiPL-T Python 源代码数据集

## 引用说明
**若使用本数据集，请引用我们的研究工作：**

@misc{cassano:multipl-t,
title={面向代码大语言模型（Code LLMs）的高资源编程语言到低资源编程语言的知识迁移},
author={Federico Cassano and John Gouwar and Francesca Lucchetti and Claire Schlesinger and Anders Freeman and Carolyn Jane Anderson and Molly Q Feldman and Michael Greenberg and Abhinav Jangda and Arjun Guha},
year={2024},
eprint={2308.09895},
archivePrefix={arXiv},
primaryClass={cs.PL}
}

原始信息汇总

数据集概述

数据集名称

MultiPL-T Python Sources

数据特征

• content: 数据类型为字符串。
• content_with_types: 数据类型为空。
• sha1: 数据类型为字符串。
• id: 数据类型为整数。
• entrypoint: 数据类型为字符串。
• tests: 数据类型为字符串序列。
• coverage: 数据类型为整数。
• tests_failed: 数据类型为字符串序列。

数据分割

• train: 包含157767个示例，总字节数为305655078。

数据集大小

• 下载大小: 118032344字节
• 数据集大小: 305655078字节