PeytonT/repo_code_snippets

Repository Code Snippets 是一个专注于源代码片段的数据集，用于静态仓库图浏览。数据行以 `repo_id` 和 `entity_id` 为键，与公共仓库图实体ID匹配。每行包含一个聚焦的源代码片段及其周围上下文，而不是完整的仓库转储。

license: 其他
task_categories:
- 文本生成
language:
- 代码
pretty_name: 代码片段仓库（Repository Code Snippets）
configs:
- 配置名称: 默认（default）
数据文件:
- 拆分方式: 训练集（train）
路径: parquet/snippets.parquet
- 配置名称: 仓库分片（repo_shards）
数据文件:
- 拆分方式: 训练集（train）
路径: source_snippets/*.jsonl

# 代码片段仓库数据集

本数据集面向静态仓库图谱浏览场景，提供精选的源代码片段。数据行以`repo_id`与`entity_id`作为联合主键，与公开仓库图谱的实体ID一一对应。每条数据仅包含选定的源代码片段及其周边上下文，而非完整的仓库数据导出包。

## 数据列说明

- `repo_id`：仓库唯一标识符
- `entity_id`：实体唯一标识符
- `uri`：统一资源标识符
- `kind`：实体类型
- `name`：实体名称
- `path`：文件路径
- `language`：编程语言
- `start_line`：代码片段起始行号
- `end_line`：代码片段结束行号
- `context_start_line`：上下文起始行号
- `context_end_line`：上下文结束行号
- `code`：源代码内容
- `source_hash`：源数据哈希值
- `truncated`：截断标记

## 统计信息

- 代码片段总数：468,268
- 跳过实体数量：437,756
- 涉及仓库数量：155
- 生成时间戳：1777152029