Data Science on
Software Data

Markus Harrer, Software Development Analyst

@feststelltaste

Java Forum Stuttgart 2019, 04.07.2019

Data Science

Was ist Data Science?

"Statistik auf nem Mac."

Nach https://twitter.com/cdixon/status/428914681911070720

Meine Definition

Was bedeutet "data"?

"Without data you‘re just another person with an opinion."

W. Edwards Deming

=> Belastbare Erkenntnisse mittels Fakten liefern

Was bedeutet "science"?

"The aim of science is to seek the simplest explanations of complex facts."

Albert Einstein

=> Neue Erkenntnisse verständlich herausarbeiten

Vorgehen

Nach Roger Pengs "Stages of Data Analysis"
I. Fragestellung
II. Datenbeschaffung
III. Modellierung
IV. Interpretation
V. Kommunikation

=> von der Frage über die Daten zur Erkenntnis!

Was hat das mit Softwareentwicklung zu tun?

Was ist ein Data Scientist?

"Jemand, der mehr Ahnung von Statistik
  hat als ein Softwareentwickler
  und mehr Ahnung von Softwareentwicklung
  als ein Statistiker."





Nach zu https://twitter.com/cdixon/status/428914681911070720

Data Science & Software Data: Perfect match!

Software Data

Was ist Software Data?

  • Statisch
  • Laufzeit
  • Chronologisch
  • Community

=> Krass viel!

Beispiele für Analysen

  • Performance-Bottlenecks
  • Verborgene Teamkommunikation
  • Modularisierungsschnitte
  • Architektur-/Design-/Code-Smells
  • ...

=> Individuelle Analysen für individuelle Probleme!

Lösungsstrategie

Grundprinzip

    (Intent + Code + Data + Results)
  * Logical Step
  + Automation
  = Literate Statistical Programming

Implementierung: Computational notebooks

Computational Notebooks


Technik

Technologie (1/2)

Klassischer Data-Science-Werkzeugkasten

  • Jupyter (mit RISE)
  • Python 3
  • pandas
  • matplotlib

Technologie (2/2)

Jupyter funktioniert und integriert sich auch mit

  • jQAssistant / Cypher / Neo4j
  • JVM-Sprachen über beakerx / Tablesaw
  • bash
  • ...

Praktischer Teil

Erstes Hands-On

Fallbeispiel

IntelliJ IDEA

  • IDE für die Java-Entwicklung
  • Vieles in Java geschrieben
  • Großes und lang entwickeltes Projekt

I. Fragestellung (1/3)

  • Offene Frage explizit niederschreiben
  • Analyseidee verständlich darstellen

I. Fragestellung (2/3)

Frage

  • Welche Code ist besonders komplex und oft wird in letzter Zeit häufig geändert?

I. Fragestellung (3/3)

Umsetzungsidee

  • Werkzeuge: Jupyter, Python, pandas, matplotlib
  • Heuristiken:
    • "komplex": Lines of Code
    • "letzter Zeit": Letzte 3 Monate
    • "oft geändert": Anzahl Git Commits

Meta-Ziel: Grundmechaniken kennenlernen.

II. Datenbeschaffung

  • Daten in Data-Science-Welt laden
  • Rohdaten bereinigen und filtern

Wir laden Git Log Daten eines Git Repos.


In [1]:
import pandas as pd

log = pd.read_csv("../dataset/git_log_intellij.csv.gz")
log.head()


Out[1]:
additions deletions filename sha timestamp author
0 4 0 java/java-impl/src/com/intellij/codeInsight/hi... be6247932aa9 2019-07-01 14:40:24 Roman.Ivanov
1 4 6 java/java-impl/src/com/intellij/codeInsight/hi... ee2032b77eca 2019-07-01 11:36:14 Roman.Ivanov
2 0 3 java/java-impl/src/META-INF/JavaPlugin.xml fbeb4d639dc1 2019-06-26 11:14:34 Roman.Ivanov
3 6 3 java/java-impl/src/com/intellij/codeInsight/hi... fbeb4d639dc1 2019-06-26 11:14:34 Roman.Ivanov
4 11 6 java/java-impl/src/com/intellij/codeInsight/hi... a3d5a9b855fe 2019-06-14 10:32:15 Roman.Ivanov

Was haben wir hier eigentlich?


In [2]:
log.info()


<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1128819 entries, 0 to 1128818
Data columns (total 6 columns):
additions    1128819 non-null object
deletions    1128819 non-null object
filename     1128819 non-null object
sha          1128819 non-null object
timestamp    1128819 non-null object
author       1128819 non-null object
dtypes: object(6)
memory usage: 51.7+ MB

1 DataFrame (~ programmierbares Excel-Arbeitsblatt), 6 Series (= Spalten), 1128819 Rows (= Einträge)

Wir wandeln die Zeitstempel von Texte in Objekte um.


In [3]:
log['timestamp'] = pd.to_datetime(log['timestamp'])
log.head()


Out[3]:
additions deletions filename sha timestamp author
0 4 0 java/java-impl/src/com/intellij/codeInsight/hi... be6247932aa9 2019-07-01 14:40:24 Roman.Ivanov
1 4 6 java/java-impl/src/com/intellij/codeInsight/hi... ee2032b77eca 2019-07-01 11:36:14 Roman.Ivanov
2 0 3 java/java-impl/src/META-INF/JavaPlugin.xml fbeb4d639dc1 2019-06-26 11:14:34 Roman.Ivanov
3 6 3 java/java-impl/src/com/intellij/codeInsight/hi... fbeb4d639dc1 2019-06-26 11:14:34 Roman.Ivanov
4 11 6 java/java-impl/src/com/intellij/codeInsight/hi... a3d5a9b855fe 2019-06-14 10:32:15 Roman.Ivanov

Wir sehen uns nur die jüngsten Änderungen an.


In [4]:
recent = log[log['timestamp'] > pd.Timestamp('today') - pd.Timedelta('90 days')]
recent.head()


Out[4]:
additions deletions filename sha timestamp author
0 4 0 java/java-impl/src/com/intellij/codeInsight/hi... be6247932aa9 2019-07-01 14:40:24 Roman.Ivanov
1 4 6 java/java-impl/src/com/intellij/codeInsight/hi... ee2032b77eca 2019-07-01 11:36:14 Roman.Ivanov
2 0 3 java/java-impl/src/META-INF/JavaPlugin.xml fbeb4d639dc1 2019-06-26 11:14:34 Roman.Ivanov
3 6 3 java/java-impl/src/com/intellij/codeInsight/hi... fbeb4d639dc1 2019-06-26 11:14:34 Roman.Ivanov
4 11 6 java/java-impl/src/com/intellij/codeInsight/hi... a3d5a9b855fe 2019-06-14 10:32:15 Roman.Ivanov

Wir wollen nur Java-Code verwenden.


In [5]:
java = recent[recent['filename'].str.endswith(".java")].copy()
java.head()


Out[5]:
additions deletions filename sha timestamp author
27 1 10 platform/smRunner/src/com/intellij/execution/t... f4ed78c8f574 2019-06-28 18:28:41 Ilya.Kazakevich
29 28 0 platform/smRunner/testSrc/com/intellij/executi... f4ed78c8f574 2019-06-28 18:28:41 Ilya.Kazakevich
30 6 3 plugins/InspectionGadgets/InspectionGadgetsAna... a724467ad1a5 2019-07-01 19:47:38 Roman Shevchenko
31 2 2 plugins/InspectionGadgets/test/com/siyeh/igfix... a724467ad1a5 2019-07-01 19:47:38 Roman Shevchenko
32 2 2 plugins/InspectionGadgets/test/com/siyeh/igfix... a724467ad1a5 2019-07-01 19:47:38 Roman Shevchenko

III. Modellierung

  • Neue Sichten schaffen
  • Weitere Daten verschneiden

Wir aggregieren die Zeilen sowie die Anzahl der Änderungen pro Datei.


In [6]:
changes = java.groupby('filename')[['sha']].count()
changes.head()


Out[6]:
sha
filename
RegExpSupport/src/org/intellij/lang/regexp/RegExpFileType.java 3
RegExpSupport/src/org/intellij/lang/regexp/RegExpLanguageHost.java 14
RegExpSupport/src/org/intellij/lang/regexp/RegExpLanguageHosts.java 13
RegExpSupport/src/org/intellij/lang/regexp/RegExpSupportLoader.java 7
RegExpSupport/src/org/intellij/lang/regexp/UnicodeCharacterNames.java 7

Wir holen Infos über die Code-Zeilen hinzu...


In [7]:
loc = pd.read_csv("../dataset/cloc_intellij.csv.gz", index_col=1)
loc.head()


Out[7]:
language blank comment code
filename
java/java-tests/testData/psi/resolve/ThinletBig.java Java 299 1140 20125
java/java-tests/testData/psi/parser-full/declarationParsing/class/LongClass.java Java 10121 10164 10166
python/gen/com/jetbrains/python/console/protocol/PythonConsoleBackendService.java Java 1971 591 10086
jps/jps-builders/src/org/jetbrains/jps/api/CmdlineRemoteProto.java Java 502 3066 8605
plugins/java-decompiler/engine/testData/obfuscated/aj.java Java 551 1 8043

...und verschneiden diese mit den vorhandenen Daten.


In [8]:
hotspots = changes.join(loc[['code']])
hotspots.head()


Out[8]:
sha code
filename
RegExpSupport/src/org/intellij/lang/regexp/RegExpFileType.java 3 40.0
RegExpSupport/src/org/intellij/lang/regexp/RegExpLanguageHost.java 14 92.0
RegExpSupport/src/org/intellij/lang/regexp/RegExpLanguageHosts.java 13 168.0
RegExpSupport/src/org/intellij/lang/regexp/RegExpSupportLoader.java 7 NaN
RegExpSupport/src/org/intellij/lang/regexp/UnicodeCharacterNames.java 7 119.0

VI. Interpretation

  • Problem: Ergebnisse oft umfangreich
  • Daher: Kernaussagen klar darstellen

Wir zeigen die TOP 10 Hotspots an.


In [9]:
top10 = hotspots.sort_values(by="sha", ascending=False).head(10)
top10


Out[9]:
sha code
filename
platform/structuralsearch/source/com/intellij/structuralsearch/plugin/ui/StructuralSearchDialog.java 81 1097.0
platform/platform-impl/src/com/intellij/idea/IdeaApplication.java 68 366.0
platform/core-impl/src/com/intellij/ide/plugins/PluginManagerCore.java 64 1425.0
platform/platform-impl/src/com/intellij/openapi/project/impl/ProjectManagerImpl.java 63 810.0
java/java-analysis-impl/src/com/intellij/codeInspection/dataFlow/TrackingRunner.java 61 1300.0
platform/lang-impl/src/com/intellij/build/BuildTreeConsoleView.java 60 936.0
platform/platform-impl/src/com/intellij/ide/plugins/PluginManagerConfigurableNewLayout.java 58 1284.0
platform/platform-impl/src/com/intellij/idea/StartupUtil.java 57 551.0
java/structuralsearch-java/src/com/intellij/structuralsearch/JavaStructuralSearchProfile.java 55 1012.0
platform/platform-impl/src/com/intellij/openapi/project/impl/ProjectImpl.java 55 299.0

V. Kommunikation

  • Ergebnisse managementtauglich darstellen
  • Nächste Schritte lostreten

Wir plotten die TOP 10 Liste als XY-Diagramm.


In [10]:
%matplotlib inline
top10.plot.scatter('sha', 'code');


Ende des ersten Hands-Ons

Weitere Analysen

Zusammenfassung

1. Analysen mit Standard-Werkzeugen einfach möglich
2. Wer mehr will bekommt auch mehr!
3. Es gibt unglaublich viele Quellen für Daten in der Softwareentwicklung

=> von der Frage über die Daten zur Erkenntnis!

Tipps zum Einstieg

  • Adam Tornhill: Software Design X-Ray
  • Wes McKinney: Python For Data Analysis
  • Leek, Jeff: The Elements of Data Analytic Style
  • Tim Menzies, Laurie Williams, Thomas Zimmermann: Perspectives on Data Science for Software Engineering
  • Mini-Tutorial (Blog)

Vielen Dank! Fragen?

Markus Harrer
innoQ Deutschland GmbH

markus.harrer@innoq.com

@feststelltaste

Demos & "Slides": https://github.com/feststelltaste/software-analytics => demos/20190704_JFS_2019/