非惯用 Python 代码的自动重构：基于 LLM 的差异化复现
软件工程
2025-01-29 v1
摘要
在 Python 生态系统中，惯用构造的采用被推动，因为它们具有表达性，提高了生产力，甚至提高了效率，尽管存在关于熟悉度或可理解性的问题。最近的研究贡献提出了基于静态代码分析和转换的自動识别和实施非惯用代码转为惯用代码的机会的方法。鉴于大型语言模型 (LLM) 最近为代码相关任务提供的潜力，在本文中，我们 presenting 对 GPT-4 有效性进行研究以推荐和建议惯用重构动作的复现研究结果。我们的结果显示，GPT-4不仅有效识别惯用构造，而且经常在现有基线失败的地方提出重构动作。随机样本的手动分析显示所获得建议的正确性。我们的发现凸显了 LLM 实现此类任务的潜力，其中以前需要实现基于复杂代码分析的 recommenders。
引用
@article{arxiv.2501.17024,
title = {Automated Refactoring of Non-Idiomatic Python Code: A Differentiated Replication with LLMs},
author = {Alessandro Midolo and Massimiliano Di Penta},
journal= {arXiv preprint arXiv:2501.17024},
year = {2025}
}