数据集概述
本数据集是支持论文《公共代码贡献地域多样性——一项跨越五十年的探索性大规模研究》的复制数据包，包含复现研究所需的原始数据文件、处理脚本、数据库操作指令及图表生成工具，为复现公共代码贡献者地域分布的分析结果提供完整流程支持。
文件详解
该数据集包含代码文件、数据文件、脚本文件及文档，具体说明如下：
- 代码文件（.py格式，共九个）：
- 功能脚本：如filter_names.py（过滤不合理姓名）、guess_country_by_email.py（通过邮箱推测国家）、assign_world_zone.py（通过姓名分配世界区域）等
- 图表生成脚本：create_stackedbar_chart.py（生成堆叠柱状图）、plot_yearly_totals.py（绘制年度总计图表）等
- 数据库相关文件（.sql格式，共六个）：
- 数据库操作脚本：schema.sql（数据库表结构定义）、extract_commits.sql（提取提交数据）、import_data.sql（导入数据至数据库）等
- 数据文件：
- 辅助数据文件：names.tab（各国姓名频率表）、zones.acc.tab（国家/地区、时区及人口数据）、c_c.tab（ccTLD实体与世界区域匹配表）、cctld.csv（ccTLD信息表）
- 处理后数据文件示例：commits.csv.zst（提交数据压缩文件）、authors.csv.zst（贡献者数据压缩文件）
- 文档文件：
- README.md/README.html：数据集及复现流程说明文档
- 脚本文件（.sh格式，共三个）：
- 自动化处理脚本：export.sh（导出数据库数据）、cleanup.sh（清理贡献者数据）、extract_data.sh（提取绘图数据）
数据来源
Software Heritage
适用场景
- 软件工程研究：复现公共代码贡献者地域分布的长期演变趋势分析
- 开源社区研究：探索全球开源贡献者的地域多样性特征
- 数据处理方法参考：学习大规模代码贡献数据的清洗、地域推测及可视化流程
- 学术论文验证：支持对原论文研究结论的重复验证与扩展分析
