pyMethods2Test 编程语言处理数据集

pyMethods2Test 数据集是由内布拉斯加大学林肯分校 (University of Nebraska–Lincoln) 的研究人员于 2025 年创建的，包含大量的开源单元测试方法和对应的焦点映射，旨在为 Python 代码生成有效的单元测试用例，弥补了 Python 语言在大型测试数据集方面的空白。相关论文成果为「pyMethods2Test: A Dataset of Python Tests Mapped to Focal Methods」，该数据集被广泛用于训练大型语言模型 (LLM) 以生成良好的 Python 单元测试用例，为 LLM 提供了丰富的训练数据，使其能够学习如何生成针对 Python 代码的测试。

该数据集通过挖掘 GitHub 上使用 Pytest 和 unittest 框架的 88,846 个 Python 项目，构建了一个包含 22,662,037 个测试方法和 2,198,378 个焦点映射的集合。

数据集包含超过 2,200 万个测试方法到焦点方法的映射，提供了每个映射的详细上下文信息，如测试文件路径、焦点文件路径、类名、方法名、行号等；采用了 JSON 格式存储，便于处理；同时提供了生成焦点方法上下文的脚本。

数据存储在两个 ZIP 文件中。如果您只想使用预先挖掘的焦点数据，请解压 focal-data.zip 文件（解压后约 2 GB）。较大的 raw-data.zip 文件（解压后约 42 GB）包含用于生成焦点数据的原始数据，例如从存储库中提取的类和方法。