摘要：软件缺陷预测数据集是一个面向软件质量分析、源代码理解与缺陷预测研究的结构化代码数据集，共包含 15,000 条 Java 源代码记录和 126 个特征字段。
数据集概述
软件缺陷预测数据集是一个面向软件质量分析、源代码理解与缺陷预测研究的结构化代码数据集，共包含 15,000 条 Java 源代码记录和 126 个特征字段。每条记录对应一个独立的 Java 源文件，涵盖项目名称、软件版本、源代码结构、抽象语法树（AST）信息、Token 表示、语义特征以及最终缺陷状态。目标变量为 defect_label，包含 Buggy（存在缺陷） 和 Clean（无缺陷） 两类，可用于构建二分类软件缺陷预测模型。
数据结构与关键特征
该数据集主要由项目属性、代码结构序列、AST表示和语义特征四部分组成。项目属性包括 project_name、project_version 和 java_file_name；代码结构特征记录方法调用、构造函数、方法声明、类声明、枚举、条件语句、循环、switch/case、异常处理、return、break 和 continue 等语法元素的顺序信息。ast_token_sequence 保存完整AST Token序列，encoded_token_vector 将其转换为整数编码，padded_token_vector 则提供固定长度表示，便于直接输入深度学习模型。此外，semantic_feature_1 至 semantic_feature_100 提供100维语义表征，可用于描述源代码的高层语义特征。
应用价值与研究方向
该数据集适用于软件缺陷预测、代码质量评估、程序表示学习和智能软件工程等研究。研究人员可以使用随机森林、XGBoost、LightGBM 等传统机器学习方法分析语义和结构化特征，也可以采用 CNN、LSTM、Transformer、CodeBERT、GraphCodeBERT 等模型学习AST序列和代码语义表示。进一步可开展跨项目缺陷预测、版本间缺陷迁移、AST结构建模、语义特征融合、缺陷定位、代码风险评分以及面向持续集成流程的自动质量预警系统研究，为软件测试和维护提供数据支持。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-479
文件大小：6M
原创声明：本数据集为整理作品
