数据集概述
本数据集是论文《全球公共代码贡献性别差异》的复制数据包，包含复制研究结果所需的软件工具、初始数据文件及处理脚本，支持从数据导出、清理到性别检测、区域分析的全流程复现，为验证公共代码贡献中的性别差异研究提供完整资源。
文件详解
数据集包含文档、压缩包和脚本文件，具体说明如下：
- 文档文件：
- README.html、README.md：格式为HTML和Markdown，详细描述复制流程、前提条件、数据处理步骤及脚本使用方法。
- 压缩包文件：
- replication-package.zip：可能包含复制研究所需的全部脚本、初始数据文件（如names.tab、zones.acc.tab等）及处理后的中间数据文件。
- 数据文件（初始及处理生成）：
- 初始数据文件：names.tab（各国姓名及频率）、zones.acc.tab（国家/地区、时区、人口及世界区域）、c_c.tab（ccTLD实体与世界区域匹配）
- 处理生成文件：commits.csv.zst、authors.csv.zst（从swh-replica导出）、authors--clean.csv.zst（清理后作者数据）、authors--plausible.csv.zst（过滤合理姓名后数据）、author-fullnames-gender.csv.zst（性别检测结果）、commit_zones.tab.zst（区域检测结果）等
- 图表文件：authors_zones_1.pdf、authors_zones_2.pdf、authors_zones_10.pdf（已生成的性别比例堆叠图）
- 脚本文件：
- 数据处理脚本：export.sh（导出数据）、cleanup.sh（清理作者数据）、filter_names.py（过滤姓名）、guess_gender.py（性别检测）、assign_world_zone.py（区域检测）等
- 数据库脚本：extract_commits.sql（提取提交数据）、import_data.sh（导入数据到数据库）、extract_data.sql（提取分析数据）
- 图表生成脚本：create_charts.sh（生成图表）
数据来源
Software Heritage
适用场景
- 软件工程研究：复现公共代码贡献中的性别差异分析结果
- 开源社区研究：分析全球开源贡献者的性别分布及区域特征
- 数据处理方法论研究：参考大规模代码贡献数据的清理、性别检测及区域匹配流程
- 性别平等研究：探究技术领域公共代码贡献中的性别代表性问题
