Hints Help Finding and Fixing Bugs Differently in Python and Text-based Program Representations
本研究通过753人众包实验发现，提示类型和程序表示（Python与文本）显著影响用户发现和修复错误的准确性，文本表示更有利，提示效果因用户理解而异，为个性化编程工具设计提供启示。
2024-12-17 cs.SE
DockerizeMe: Automatic Inference of Environment Dependencies for Python Code Snippets
像Stack Overflow和GitHub的gist系统这样的平台通过分发旨在说明特定任务的代码片段来促进思想和编程技术的共享。Python是一种流行且快速增长的程序设计语言，在这两个网站上都有大量使用，在Stack Overflow上有近100万个问题，在GitHub上有40万个公共gist。不幸的是，通过这些网站共享的Python示例代码中，大约75%不能直接执行。当在干净的环境中运行时，超过50%的公共Python gist由于缺少库的导入错误而失败。我们提出了DockerizeMe，一种用于推断执行Python代码片段所需的依赖关系而不会发生导入错误的技术。DockerizeMe首先从Python包索引（PyPI）中获取流行Python包的资源和依赖项的离线知识获取。然后，它使用基于图的推理过程构建Docker规范。我们的推理过程解决了Gistable数据集中近3,000个gistable中的892个导入错误，Gistable的基线方法无法找到并安装所有依赖项。
2019-05-27 cs.SE
AmPyfier: Test Amplification in Python
测试放大是一种将手写测试扩展为更严格的测试套件的方法，该测试套件覆盖了被测系统中的角案例。不幸的是，目前的测试放大技术严重依赖于程序分析技术，这些技术从静态类型语言（如Java和C++）中的显式类型声明中受益匪浅。在动态类型语言中，这种类型声明是不可用的，因此测试放大还没有找到适合程序设计语言（如Python、Ruby和JavaScript）的方法。在本文中，我们提出了AmPyfier，一个概念验证工具，它带来了测试放大的动态类型，解释语言Python。我们在7个开源项目上评估了这种方法，发现AmPyfier可以成功地增强10个测试类中的7个（70%）。因此，我们证明，测试放大是可行的最流行的程序设计语言在今天使用的。
2021-12-21 cs.SE
An Empirical Study of Automated Unit Test Generation for Python
对于诸如Java之类的静态类型程序设计语言，存在各种成熟的自动化测试生成工具。然而，由于Python等动态类型化程序设计语言的动态特性以及类型信息的缺乏，自动生成这些语言的单元测试要困难得多。我们的Pynguin框架为Python提供了自动化的单元测试生成。在本文中，我们扩展了我们以前在Pynguin上的工作，以支持Python语言的更多方面，并通过研究各种成熟的最先进的测试生成算法，即DynaMOSA，MIO和MOSA。此外，我们改进了Pynguin工具来生成回归断言，我们还评估了其质量。我们的实验证实，进化算法在Python环境中也可以优于随机测试生成，与Java世界类似，DynaMOSA产生最高的覆盖率结果。然而，我们的结果也表明，仍然存在一些基本的遗留问题，例如在没有这些信息的情况下推断代码的类型信息，目前限制了Python测试生成的有效性。
2022-07-17 cs.SE
Supporting Software Engineering Research and Education by Annotating Public Videos of Developers Programming
软件工程长期以来一直在研究软件开发人员如何工作，构建了一个工作主体，形成了许多软件工程最佳实践、工具和理论的基础。最近，一些开发人员开始录制自己参与开源项目编程任务的视频，使他们能够与其他开发人员分享知识和社交。我们相信这些视频为软件工程研究和教育提供了重要的机会。在本文中，我们讨论了这些视频的潜在用途，以及如何最好地实现这种设想的使用开放的问题。我们建议创建一个中央存储库的编程视频，使分析和注释视频，以说明感兴趣的特定行为，如提问和回答问题，采用策略，和软件工程理论。这样一个知识库将提供一种重要的新方法，使软件工程研究人员和学生都能理解软件开发人员是如何工作的。
2019-05-09 cs.SE
Gistable: Evaluating the Executability of Python Code Snippets on GitHub
软件开发人员在线创建和共享代码，以演示程序设计语言概念和编程任务。代码段是解释和演示编程概念的有用方法，但可能并不总是直接可执行的。代码段可能包含分析错误，或者在环境包含未满足的依赖项时无法执行。本文对通过GitHub gist系统共享的Python代码片段的可执行状态以及熟悉软件配置的开发人员正确配置和运行它们的能力进行了实证分析。我们发现，75.6%的GIST需要非平凡的配置，以克服缺少的依赖关系，配置文件，依赖于特定的操作系统，或其他一些环境配置。我们的研究还表明，开发人员在解决配置错误时对资源名称的自然假设只有不到一半的正确率。我们还介绍了Gistable，一个建立在GitHub的gist系统上的数据库和可扩展框架，它提供了可执行的代码片段，以便在软件工程中进行可重复的研究。Gistable包含10，259个代码片段，其中大约5，000个带有Dockerfile，用于配置和执行它们而不会发生导入错误。Gistable可在https://github.com/gistable/gistable上公开获取。
2018-08-14 cs.SE
Better Python Programming for all: With the focus on Maintainability
University of Oslo（奥斯陆大学）
针对现有大语言模型生成Python代码可维护性受忽视的问题，研究通过专用数据集微调LLM进行代码重构，显著提升了代码可维护性，为AI辅助软件开发提供了新方向。
2024-08-17 cs.AI cs.SE
Enhancing Python Compiler Error Messages via Stack Overflow
背景资料：编译器往往会产生晦涩难懂的错误消息，让程序员感到困惑，并要求他们花费宝贵的时间来解决潜在的错误。为了寻求帮助，程序员通常会在Stack Overflow等在线问答论坛上开始讨论他们遇到的错误。目的：我们推测，从堆栈溢出线程讨论编译器错误的信息可以自动收集和重新打包，为程序员提供增强的编译器错误消息，从而节省程序员的时间和精力。方法：我们提出了Pycee，一个与流行的Sublime Text IDE集成的插件，为Python程序设计语言提供增强的编译器错误消息。Pycee自动查询Stack Overflow，以在IDE中提供定制和汇总的信息。我们通过有声思维用户研究评估了两个Pycee变体，在此期间，16名程序员在使用Pycee时完成了Python编程任务。结果：大多数参与者认为Pycee在完成研究任务时很有帮助。与依赖官方Python文档来增强编译器错误消息的基线相比，参与者普遍更喜欢Pycee的帮助，并引用了具体的修复建议和示例代码作为主要好处。结论：我们的研究结果证实，来自在线来源，如堆栈溢出的数据可以成功地用于自动增强编译器错误消息。我们的工作为未来的工作开辟了空间，以进一步增强编译器错误消息，以及自动重用Stack Overflow的内容用于编程的其他方面。
2019-06-27 cs.SE
The Reproducibility of Programming-Related Issues in Stack Overflow Questions
软件开发人员经常使用Stack Overflow Q&A网站寻找代码级问题的解决方案。为了获得帮助，开发人员经常提交包含示例代码段和编程问题描述的问题。不幸的是，并不总是能够从代码段中重现问题，这可能会阻碍问题得到及时和适当的解决方案。我们对400个Java和400个Python问题中讨论的问题的可重复性进行了探索性研究。我们解析、编译、执行并仔细检查了这些问题中的代码段，以重现报告的编程问题。我们的研究成果有三个方面。首先，我们发现我们可以重现大约68%的Java和71%的Python问题，而我们无法使用代码段重现大约22%的Java和19%的Python问题。在可重现的问题中，大约67%的Java代码段和20%的Python代码段需要进行轻微或重大修改才能重现这些问题。其次，我们仔细研究了为什么编程问题不能被复制，并提供了基于证据的指导方针，为Stack Overflow问题编写有效的代码示例。第三，我们调查了问题的问题再现性状态和相应的答案元数据之间的相关性，例如接受答案的存在。根据我们的分析，一个可重复的问题比一个不可重复的问题至少有两倍的机会得到一个可接受的答案。此外，如果问题中报告的问题无法复制，收到已接受的答复的中位时间延迟将增加一倍。我们还调查了混杂因素（例如，声誉），并发现混杂因素不会损害再现性状态和回答元数据之间的相关性。
2021-12-25 cs.SE
pycefr: Python Competency Level through Code Analysis
Python被认为是一种多功能语言，非常适合初学者和高级用户。语言中的某些元素比其他元素更容易理解：有些可以在任何类型的代码中找到，而另一些则只能由有经验的程序员使用。这些元素的使用导致不同的方式来编码，这取决于经验的语言和知识的元素，一般的编程能力和编程技能等，在本文中，我们提出了pycefr，一个工具，检测使用的不同元素的Python语言，有效地衡量水平的Python熟练程度所需的理解和处理的一个片段的Python代码。遵循广为人知的欧洲通用语言参考框架（CEFR），广泛用于自然语言，pycefr根据创建和理解Python代码所需的熟练程度将Python代码分为六个级别。我们还讨论了pycefr的不同用例：识别具有一定熟练度的开发人员可以理解的代码片段，在Stackoverflow和GitHub等在线资源中标记代码示例，以使其符合一定的能力水平，帮助开源软件项目中的新开发人员入职流程等https://tinyurl.com/ypdt3fwe。
2022-03-30 cs.SE
Automated Unit Test Generation for Python
自动化单元测试生成是一个已建立的研究领域，并且成熟的测试生成工具存在于诸如Java的静态类型化程序设计语言中。然而，由于缺乏类型信息和语言的动态特性，为动态类型的程序设计语言（如Python）自动生成支持测试要困难得多。在本文中，我们描述了一个尝试到动态类型语言的单元测试生成问题。我们介绍Pynguin，一个Python的自动化单元测试生成框架。使用Pynguin，我们的目标是从经验上阐明两个核心问题：（1）建立良好的基于搜索的测试生成方法，以前只评估静态类型的语言，推广到动态类型的语言？(2)不完全类型信息和动态类型对自动化测试生成问题有什么影响？我们的实验证实，进化算法在Python环境中也可以优于随机测试生成，甚至可以在一定程度上缓解缺少类型信息的问题。然而，我们的研究结果表明，动态类型仍然提出了一个根本性的问题，测试生成，建议未来的工作集成类型推断。
2020-07-28 cs.SE
LangChoiceBench: Measuring and Explaining Programming-Language Choice in LLMs
King’s College London（伦敦国王学院）；MATS Research（MATS研究院）
本研究推出LangChoiceBench基准，评估25种LLMs的代码语言选择，发现其普遍过度选择Python、一致性低，小开放模型偏好更强，还揭示了模型的虚假证据等失败模式。
2026-08-07 cs.CL cs.SE
Benchmarking Web-testing - Selenium versus Watir and the Choice of Programming Language and Browser
Selenium被认为是最流行的软件测试自动化工具。过去的学术著作主要忽视了测试工具，而倾向于更多的方法论主题。目的：我们研究了Web测试工具的性能，为软件测试工具的选择和配置提供经验证据。方法：我们使用4*5析因设计来研究20种不同的配置来测试网络商店。我们研究了5种程序设计语言绑定（C#，Java，Python和Ruby for Selenium，而Watir仅支持Ruby）和4种浏览器（Google Chrome，Internet Explorer，Mozilla Firefox和Opera）。性能通过执行时间、内存使用、测试脚本的长度和测试的稳定性来衡量。结果：考虑到所有措施，最佳配置是Selenium与Chrome的Python语言绑定。Selenium与Python绑定是所有浏览器的最佳选择。最慢和最快配置之间差异的效应量非常高（Cohens d=41.5，执行时间增加91%）。总体而言，Internet Explorer是最快的浏览器，但在稳定性方面表现最差。结论：我们建议在采用基准测试工具之前使用它们。因素的权重，例如，为了更快的性能愿意牺牲多少测试稳定性，会影响决策。
2016-11-02 cs.SE
Functional Programming Paradigm of Python for Scientific Computation Pipeline Integration
Shenzhen United Imaging Research Institute of Innovative Medical Equipment（深圳联合创新医疗设备研究院）；United Imaging Healthcare Inc.（联影医疗）；Institute for Medical Imaging Technology, Shanghai Jiao Tong University School of Medicine, United Imaging Healthcare（上海交通大学医学院医学影像技术研究所、联影医疗）
本文提出了一种基于Python架构的函数式编程范式，旨在通过统一的数据控制系统集成不同的数据映射操作库与科学计算流，以加速原型验证、优化算法性能并降低维护成本。
2024-06-03 cs.AI cs.CE cs.LG
Developing a High-Performance Process Mining Library with Java and Python Bindings in Rust
本文提出用 Rust 构建共享过程挖掘库，并提供 Java 与 Python 绑定，以在保证内存安全的同时获得高性能并融入 ProM、PM4Py 生态。
2024-01-25 cs.SE
AVATAR: A Parallel Corpus for Java-Python Program Translation
University of California, Los Angeles（加州大学洛杉矶分校）；Columbia University（哥伦比亚大学）
针对程序翻译平行语料缺失的问题，研究者构建了含9515组Java-Python对应代码及250组单元测试的AVATAR平行语料库，基准测试显示现有预训练语言模型生成功能准确代码的能力仍有欠缺。
2023-05-04 cs.CL cs.SE
LLMs as Compiler for Arabic Programming Language
Prince Sultan University（苏丹王子大学）
本文提出 APL（阿拉伯语编程语言），利用 LLM 作为半编译器将阿拉伯语文本代码转换为 python 代码并运行，设计了包含提示工程和 PyRunner 的完整流水线，并提供了 python 库、游乐场和研究论文三部分。
2024-03-24 cs.CL cs.LG cs.SE
SafePyScript: A Web-Based Solution for Machine Learning-Driven Vulnerability Detection in Python
针对当前缺乏易用的Python源代码机器学习漏洞检测Web工具的问题，研究提出了SafePyScript这款专门的Web应用，填补了相关空白，可帮助Python开发者保障应用安全。
2024-11-01 cs.SE
SpaceTime Programming: Live and Omniscient Exploration of Code and Execution
Université de Rennes, IRISA（雷恩大学，IRISA）；Université de Rennes, CNRS, IRISA（雷恩大学，CNRS，IRISA）；Université de Rennes, Inria, CNRS, IRISA（雷恩大学，Inria，CNRS，IRISA）
本文提出时空编程，整合多种编程范式，通过追踪机制同时探索代码变更与执行流程，展示了Python库在实时全知调试器和Pygame游戏开发中的应用及性能评估。
2026-03-19 cs.SE
Towards Identifying Code Proficiency through the Analysis of Python Textbooks
本文针对 Python 构造能力等级划分依赖专家与调查而存在分歧的问题，系统比较入门教材中的概念引入顺序及现有方法，揭示显著错位并证明教材可作为评估开发者维护与演化能力的重要依据。
2024-08-05 cs.SE
B-OCL: An Object Constraint Language Interpreter in Python
本文提出了一个基于Python的OCL解释器，通过ANTLR解析器生成符合OCL元模型的语法树，并结合对象图评估约束，填补了Python建模中OCL工具的空白。
2025-03-02 cs.SE
An Empirical Study of Fault Localization in Python Programs
本文首次对真实 Python 程序开展多系列大规模故障定位实证研究，基于 BugsInPy 的 135 个故障评估七类技术，并通过 FauxPy 工具复现和比较 Java 相关结论。
2024-03-20 cs.SE
Making Python Code Idiomatic by Automatic Refactoring Non-Idiomatic Python Code with Pythonic Idioms
与其他程序设计语言（例如，Java），Python有更多的习惯用法，使Python代码简洁高效。虽然Python语言习惯用法在Python社区中被广泛接受，但Python程序员在使用它们时经常面临许多挑战，例如，不知道某些Python语言习惯用法或不知道如何正确使用它们。基于对GitHub上7，638个Python存储库的分析，我们发现可以使用Python习语实现的非惯用Python代码频繁且广泛地出现。不幸的是，没有工具可以自动将这种非惯用代码重构为惯用代码。在本文中，我们设计并实现了一个自动重构工具，使Python代码的地道。通过系统地对比Python和Java的抽象语法，我们确定了九个Python习惯用法。然后，我们定义的语法模式，用于检测非惯用代码的每一个Python的习惯用法。最后，我们设计了原子AST重写操作和重构步骤，将非惯用代码重构为惯用代码。我们测试和审查了来自GitHub的1,065个Python项目的4,115个重构，并向84个项目提交了90个随机采样重构的90个pull请求。这些评估证实了我们的重构工具在真实Python代码上的高准确性，实用性和实用性。我们的重构工具可以通过47.242.131.128：5000访问。
2022-07-12 cs.SE
A Domain-Specific Language for Programming in the Tile Assembly Model
我们介绍了一个特定于域的语言（DSL）创建组的瓷砖类型的模拟抽象瓷砖组装模型。该语言定义了被称为瓦片模板的对象，这些对象表示相关的瓦片组，以及瓦片模板上的少量基本操作，这些操作有助于消除手动枚举此类瓦片类型或使用通用程序设计语言的低级构造的容易出错的苦差事。该语言在Python中实现为类库（所谓的内部DSL），但独立于Python或面向对象编程，重点是支持创建可视化编辑工具，用于以编程方式创建大量复杂的tile类型，而无需编写程序。
2009-03-05 cs.PL cs.SE
Rust vs. C for Python Libraries: Evaluating Rust-Compatible Bindings Toolchains
本研究评估了Rust的PyO3 Python绑定工具链与ctypes和cffi的性能及易用性，发现其能实现最先进性能且无需担心API兼容性。
2025-06-30 cs.DC cs.PF cs.PL
Phyelds: A Pythonic Framework for Aggregate Computing
University of Bologna（博洛尼亚大学）
本文提出Phyelds，一个针对数据科学实践者的Python库，旨在整合机器学习与聚合计算，提供轻量级的字段 calculus 模型实现，支持联邦学习和多智能体强化学习。
2026-03-31 cs.AI cs.PL cs.SE
Excel Spreadsheet Analyzer
在各种领域中，广泛使用单块来进行大型数值分析。虽然有几家公司几十年来一直依赖电子表格，但由于支持，社区和大量的库，数据科学家正在朝着使用科学程序设计语言（如python）进行数据分析的方向发展。在使用python分析公司的电子表格时，一些信息（如公式和单元格的依赖关系）会丢失。我们提出了一个工具，创建一个抽象的中间表示（AIR）的电子表格。这种表示有助于从电子表格转换为科学程序设计语言，同时保留有关数据的相互依赖性信息。除此之外，我们在我们的工具之上构建了一个Python库，以便在Python中执行一些数据分析。
2022-11-01 cs.PL cs.SE
Enhancing Python Programming Education with an AI-Powered Code Helper: Design, Implementation, and Impact
Department of ICT, Dhaka Residential Model College, Dhaka, Bangladesh（达卡住宅模型学院ICT系）
本研究提出一种结合静态分析、动态跟踪和LLM的AI聊天机器人，帮助Python学习，实验显示错误解决率达85%，调试时间减少59.3%，编码熟练度提升34%。
2025-09-24 cs.PL cs.SE
Repairing Bugs in Python Assignments Using Large Language Models
Yale University（耶鲁大学）；Microsoft（微软）
作为学习过程的一部分，学生经常在介绍性编程作业中犯错误。不幸的是，为这些错误提供自定义修复可能需要大量的时间和精力，从课堂教师。自动程序修复（APR）技术可用于合成这样的修复。先前的工作已经探索了在教育领域中使用符号和神经技术进行APR。这两种方法都需要大量的工程努力或大量的数据和培训。我们建议使用一个经过代码训练的大语言模型，比如Codex，来构建一个APR系统--MMAPR--用于介绍Python编程作业。我们的系统可以修复语法和语义错误相结合的多模态提示，迭代查询，基于测试用例的选择少数镜头，和程序分块。我们在286个真实的学生程序上评估了MMAPR，并将其与通过结合最先进的Python语法修复引擎BIFI和最先进的Python语义修复引擎Refactory构建的基线进行了比较。我们发现，MMAPR可以修复更多的程序，并产生更小的补丁平均。
2022-09-29 cs.AI cs.SE
Can Programming Languages Boost Each Other via Instruction Tuning?
Institute of Software, Chinese Academy of Science（中国科学院软件研究所）；Peking University（北京大学）；Huawei Co., Ltd.（华为技术有限公司）
本研究通过指令微调实验，发现编程语言间可相互促进，如Python训练的模型提升Java的pass@1达17.95%，HTML训练模型提升Java达15.24%，并公开了训练数据。
2023-09-03 cs.AI cs.CL cs.PL
Effectiveness of an Online Course in Programming in a State University in the Philippines
在线课程作为一种教学方法，在2019年冠状病毒病大流行时期蓬勃发展。由于大流行的原因，大学从传统的面对面课程转向在线远程学习。本研究旨在确定在线课程在学习编程课程方面的有效性。本研究采用混合方法研究，通过一个有效的调查问卷，包括封闭式和开放式的问题。Python编程是选择进行研究的课程，并进行了评估，以确定学生的反应。学生受访者来自布拉干州立大学，在菲律宾的州立大学，在信息技术计划的科学学士学位。根据他们的回答，学生们发现在线Python编程非常有效，总体平均值为4.49。这一结果表明，学生发现在线课程有效，提供了适当的课程设计和内容，让他们花足够的时间完成任务，并提供了沟通和互动与他们的教师和同学。此外，当被问及他们的教师在课程交付方面做得很好时，学生们给予了压倒性的积极回应，并为进一步改进和交付课程提供了富有洞察力和建设性的意见。这项研究发现，大多数学生强烈同意并相信异步提供Python编程课程的有效性。从学生的角度和评价这种积极的结果，该课程可以加强，继续在布拉干州立大学提供优质教育。
2022-11-23 cs.CY cs.SE
Tangent: Automatic differentiation using source-code transformation for dynamically typed array programming
MILA（蒙特利尔学习算法研究所）；Google Brain（谷歌大脑）
高效计算Python中表达的日益复杂的模型的一阶和高阶导数的需求已经强调或超过了可用工具的能力。在这项工作中，我们探索的技术领域的自动微分（AD），可以给研究人员的表达能力，性能和强大的可用性。这些包括源代码转换（SCT），灵活的梯度手术，有效的就地阵列操作，高阶导数以及正向和反向模式AD的混合。我们实现和展示这些想法的切线软件库的Python，第一个AD框架的动态语言，使用SCT。
2018-09-26 cs.LG cs.SE stat.ML
EsoLang-Bench: Evaluating Genuine Reasoning in Large Language Models via Esoteric Programming Languages
Lossfunk
EsoLang-Bench通过五种奇特编程语言评估大语言模型在分布外编程语言上的推理能力，发现前沿模型在处理陌生语言时存在显著能力差距。
2026-05-11 cs.AI cs.LG cs.SE
Comparative analysis of large data processing in Apache Spark using Java, Python and Scala
Ternopil Ivan Puluj National Technical University（特诺皮尔伊万普鲁日国立技术大学）；Rochester Institute of Technology（罗切斯特理工学院）；Institute of Telecommunications and Global Information Space of the National Academy of Sciences of Ukraine（乌克兰国家科学院电信与全球信息空间研究所）
本研究基于Apache Spark与Apache Iceberg，对比Java、Python、Scala处理不同规模及复杂度数据的ETL性能，发现小数据量下Python更快，大数据量及复杂操作中Scala、Java更高效，可为数据处理流程优化提供参考。
2025-10-21 cs.DB cs.DC cs.PL
AI Coders Are Among Us: Rethinking Programming Language Grammar Towards Efficient Code Generation
Singapore Management University（新加坡管理大学）；Monash University（莫纳什大学）；Beihang University（北京航空航天大学）
本研究针对现有编程语言语法适配人类阅读却增加LLM计算负担的问题，提出面向AI的语法概念，开发了首个Python的AI导向语法SimPy，可在保持甚至提升模型性能的同时显著减少token用量。
2024-08-14 cs.AI cs.PL cs.SE
Symbolic quantum programming for supporting applications of quantum computing technologies
本文概述了量子软件开发工具的现状与优缺点，提出了一种支持符号操作、函数式编程且兼容高性能与云计算的量子程序开发架构，并展示了其在量子软件测试与电路构建中的应用。
2023-02-18 cs.PL cs.SE quant-ph
The Best Programming Language for Tokenmaxxing: An Investigation of Coding Agent Behavior Across Programming Languages
Northeastern University（东北大学）；Wellesley College（韦尔斯利学院）
研究跨Python、Java、Rust和OCaml的编码代理行为，通过评估五个模型发现不同语言的令牌消耗有显著差异。分析代理轨迹结构与内容，揭示其在不熟悉语言中的行为特点，指出按语言的令牌效率对多语言代理基准测试和开发有指导意义。
2026-10-22 cs.CL cs.SE
On the Design of a Tool for Supporting the Construction of Logic Programs
在学术界和工业界都需要系统地构造逻辑程序的环境。这样的环境应该支持定义良好的构造方法，并且应该能够扩展并与其他编程工具（如调试器和编译器）交互。我们提出了一个变种的Deville方法的逻辑程序开发，和设计的工具，支持的方法。我们的目标是促进逻辑编程的学习，并为程序开发提供更复杂的工具。
2001-11-27 cs.PL cs.SE
Transformation of Python Applications into Function-as-a-Service Deployments
新的云编程和部署模型给软件应用程序工程师带来了挑战，他们正在寻找工具来自动化任何必要的代码调整和转换，但往往是徒劳的。考虑到大多数云应用程序都是用非函数式语言实现的，函数式服务接口是一个特别重要的目标。这些语言中使用最广泛的是Python。这个起始位置需要一种自动化的方法，通过部分自动化的分解将单片Python代码转换为模块化的FaaS单元。因此，本文介绍并评估了Lambada，这是一个Python模块，可以动态分解，转换和部署未修改的Python代码到AWS Lambda函数中。除了工具的形式测量的开源原型实现，本文还提供了一个算法和代码重写规则的描述，作为其他脚本语言转换的蓝图。
2017-05-23 cs.DC cs.SE
Machine Learning Techniques for Python Source Code Vulnerability Detection
University of Passau（帕绍大学）
本研究针对Python源代码漏洞检测问题，对比应用多种机器学习算法，最终提出的BiLSTM模型取得优异性能，建立了该领域的新基准。
2024-04-15 cs.AI cs.SE
Who Wins the Race? (R Vs Python) - An Exploratory Study on Energy Consumption of Machine Learning Algorithms
Research in Intelligent Software \& Human Analytics (RISHA) Lab, Department of Computer Science \& Engineering Indian Institute of Technology Tirupati, India；Accenture Labs, India
针对机器学习（ML）能耗的环境影响研究空白，本文通过实证比较Python和R两种语言在5个回归和5个分类任务中的能耗及运行时性能，发现95%案例中能耗差异显著，语言选择对能效影响高达99.8%，旨在提升对ML语言能耗成本的认知。
2025-08-24 cs.LG cs.PF cs.PL
