GitHub上的Jupyter笔记本：特征与代码克隆

Jupyter笔记本已成为数据科学编程的标准工具。Jupyter笔记本中的程序不同于典型程序，它们由代码片段集合与文本和可视化交错构成。这允许交互式探索，且代码片段可能以不同顺序执行，并因片段间副作用而产生不同结果。先前研究已表明，在传统程序的源代码中——包括所谓的系统编程语言与所谓的脚本语言——存在大量的代码重复，即代码克隆。本文首次呈现针对Jupyter笔记本中代码克隆的大规模研究。我们分析托管于GitHub的270万份Jupyter笔记本语料，代表3700万个独立片段与2.27亿行代码。我们在独立片段层面研究克隆，并考察片段在多个笔记本间复现的程度。我们研究完全相同的克隆与近似克隆，并对最常见克隆进行小规模人工检视。我们发现代码克隆在Jupyter笔记本中十分普遍——超过70%的代码片段是其他片段的精确复制（可能仅空白存在差异），约50%的笔记本不含任何独特片段，而仅由他处亦出现的片段组成。在Python编写的笔记本中，至少80%的片段为近似克隆，且代码克隆的普遍程度在Python中高于其他语言。我们进一步发现，不同仓库间的克隆远多于同仓库内的克隆。然而，Jupyter笔记本所含克隆最常见的单一仓库，是其自身所在的仓库。