RecGFI – GitHub Issue 数据集

数据集描述与引用格式

该数据集来源于ICSE 2022论文《Recommending Good First Issues in GitHub OSS Projects》，被用于验证新手任务自动化标记技术RecGFI的性能和进行新手任务相关数据分析。如需引用该文献，可参考下面格式。

@inproceedings{xiao2022recommending,
  title={Recommending good first issues in GitHub OSS projects},
  author={Xiao, Wenxin and He, Hao and Xu, Weiwei and Tan, Xin and Dong, Jinhao and Zhou, Migahui},
  booktitle={2022 IEEE/ACM 44th International Conference on Software Engineering (ICSE)},
  pages={1830--1842},
  year={2022},
  organization={IEEE}
}

收集过程

本数据集使用Libraries.io数据集选择项目。首先选择JavaScript、Python、Java、TypeScript、C#、PHP、C++和C八种在GitHub上受欢迎的编程语言，保留其中25793个拥有100个以上星标，5个贡献者，5个分支和10个开放问题的项目。然后，进一步使用GHTorrent数据集（2021年3月6日的版本）收集这些项目的所有issue，保留good first issue数量最多的前100个项目。然后确认了这些项目中53510条issue是由pull request或commit关闭，能够定位具体的issue解决者。本数据集对这53510条issue相关的数据进行了全面收集。除了新手任务自动化推荐问题，其他与GitHub issue相关的研究也可以使用本数据集。

使用方式

使用Python运行以下脚本以获取全部issue的第一个时间点（t=0）/第二个时间点（t=1）的数据。第一个时间点是issue发布时刻，第二个时间点是issue被分配/解决前。

import json

with open('issuedata.json') as f:
    issuedata = json.load(f)
lst=[]
for i in range(len(issuedata)):
    lst.append(issuedata[i][t])

数据集基本信息介绍

数据集文件：issuedata.json 补充信息数据：issue_id_info.csv、repo_id_info.csv 规模：53510条GitHub issue、1.59G 类型：文本、数值数据特征维度：51 特征模块：issue内容、issue背景、issue动态、issue其他信息

特征介绍

——— issue内容 ———

title：issue标题 body：issue描述 labels：不同类型标签的数量（[GFI 信号, Bug, 测试, 构建, 文档, 增强, 编码, 新功能, 困难/重要, 中等难度, 未分类, 已分类]）

——— issue背景 ———

rptcmt： issue报告者在项目中贡献的commit数量 rptallcmt： issue报告者在Github上贡献的commit数量 rptiss：issue报告者在项目中报告的issue数量 rptalliss：issue报告者在Github上报告的issue数量 rptpr：issue报告者在项目中贡献的pull request数量 rptallpr：issue报告者在Github上贡献的pull request数量 rptpronum：issue报告者拥有的项目数量 rptstar：issue报告者拥有项目的星标数量 rptfoll：issue报告者的关注者数量 rpthaslabel：报告者已向issue添加标签 rpthasevent：报告者在issue中参与了任何类型的事件 rpthascomment：报告者在issue中发表了评论 rptissues：issue报告者在项目中曾报告的issue的ID rptisscmtlist：issue报告者在项目中曾报告的issue的解决者在解决issue时在项目中贡献的commit数量 ownercmt：项目所有者在项目中贡献的commit数量 ownerallcmt：项目所有者在Github上贡献的commit数量 owneriss：项目所有者在项目中报告的issue数量 owneralliss：项目所有者在Github上报告的issue数量 ownerpr：项目所有者在项目中贡献的pull request数量 ownerallpr：项目所有者在Github上的pull request数量 ownerpronum：项目所有者拥有的项目数量 ownerstar：项目所有者拥有项目的星标数量 ownerfoll：项目所有者的关注者数量 ownerissues：项目所有者在项目中曾报告的issue的ID pro_star：项目星标数量 proclspr：项目中关闭的pull request数量 procmt：项目中commit数量 contributornum：项目贡献者数量 crtclsissnum：项目中关闭issue数量 openiss：项目中开放issue数量 openissratio：项目开放issue占所有issue比例 clsisst：项目issue关闭时间的中位数（以小时计）

——— issue动态 ———

events：包含在issue中进行了以下GitHub issue事件的开发者：’labeled’、’subscribed’、’referenced’、’mentioned’、’closed’、’assigned’、’milestoned’、’unlabeled’、’moved_columns_in_project’、’locked’、’added_to_project’、’demilestoned’、’removed_from_project’、’unassigned’、’renamed’、’reopened’、’head_ref_force_pushed’、’transferred’、’unsubscribed’、’merged’、’head_ref_deleted’、’comment_deleted’、’review_requested’、’connected’、’marked_as_duplicate’和任意事件类型，用户数据包括：[userpronum,userstar,userallcmt,usercmt,userfoll,useralliss,useriss,userallpr,userpr,userissues]，含义参照issue报告者的相关特征；如果用户数据为[None]，则表示通过GitHub API无法获取事件操作者的名称 commentbody：issue的所有评论的文本 commentusers：涉及的所有评论者的特征，类似于’events’

——— issue其他信息 ———

issue_id, proid, owner_id, rpt_id, cls_id：issue、项目、项目所有者、issue报告者、issue解决者在GHTorrent上的ID issuet：issue创建时间 reft：issue被分配或链接到pull request的时间 clst：issue关闭时间 language：项目的编程语言 clscmt：在issue解决之前issue解决者对该存储库贡献的commit数量 usedt：解决issue所用时间 fromcmt：是否是通过commit关闭的该issue isslist： issue在项目中的ID

——— 补充信息数据 ———

repo_id_info.csv 允许用户通过issuedata.json数据集中的项目在GHTorrent中的ID (proid，即repo_id_info.csv中的repo_id)查询仓库的所有者名称和仓库名称； issue_id_info.csv 允许用户通过issuedata.json数据集中的issue在GHTorrent中的ID (issue_id，亦即issue_id_info.csv中的issue_id)查询issue所在仓库的所有者名称、仓库名称、issue编号和解决者在项目中贡献的commit数量。

数据集应用场景概述

Bug严重程度预测：构建模型以预估Bug的严重等级及处理时效，旨在辅助项目管理者有效配置资源，优先应对那些对项目影响最大的问题。

贡献者任务推荐：

新手：自动化推荐适合新手的任务，旨在帮助新手熟悉项目背景、内容和贡献流程等，并帮助新手通过成功解决任务增加贡献信心；
项目成员：挖掘不同角色项目成员贡献、成长模式，为希望保持现有项目角色的贡献者推荐熟悉内容模块的任务，为希望向项目核心成员成长的贡献者推荐具有适度挑战性的任务，加速技能提升与个人发展。