LCC_python 是由 Microsoft 于 2023 年发布的 Python 代码数据集，源自 Large Code Corpus（LCC）项目，旨在为代码生成、代码补全和代码理解等任务提供高质量的代码语料。

该数据集约 2 GB，包含 120,000 条 Python 代码样本，数据来源于大型开源代码库，并划分为训练集、验证集和测试集。每条样本主要包含上下文代码和对应的目标代码片段，可用于代码相关模型的监督学习和预训练。

数据集组成

数据集包含以下三个部分：

• 训练集（train）：100,000 条样本，约 1.76 GB。
• 验证集（validation）：10,000 条样本，约 146 MB。
• 测试集（test）：10,000 条样本，约 149 MB。

每个样本主要包含以下字段：

• context：代码上下文信息。
• gt：Ground Truth，即目标代码或标签。