blank

Data Science meets
Software Data

Markus Harrer, Software Development Analyst

@feststelltaste

20 Jahre INNOQ Event, 13.09.2019

Data Science

Was ist Data Science?

"Statistik auf nem Mac."

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

Data Science Venn Diagram (Drew Conway)

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?

Software Data

Was ist Software Data?

  • Statisch
  • Laufzeit
  • Chronologisch
  • Community

=> Krass viel!

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!

Beispiele für Analysen

  • Modularisierungsschnitte finden
  • Performance-Bottlenecks identifizieren
  • Verborgene Code-Abhängigkeiten aufdecken
  • Open-Source-Communities bewerten
  • ...

Individuelle Systeme => individuelle Probleme => individuelle Analysen => individuelle Erkenntnisse!

Software Analytics

Definition Software Analytics

"Software Analytics is analytics on software data for managers and software engineers with the aim of empowering software development individuals and teams to gain and share insight from their data to make better decisions."

Tim Menzies and Thomas Zimmermann

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

Erste Demo

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

  • Welcher Code ist besonders komplex und wie oft wurde dieser in letzter Zeit 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
16 6 2 platform/lang-impl/src/com/intellij/codeInsigh... 075cb7338a6f 2019-07-01 09:44:53 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/test/org/intellij/lang/regexp/RegExpWordSelectionFilterTest.java 1
RegExpSupport/test/org/intellij/lang/regexp/inspection/RegExpInspectionTestCase.java 1
images/src/org/intellij/images/options/impl/ImagesOptionsTopHitProvider.java 1
java/compiler/impl/src/com/intellij/compiler/actions/CompileProjectAction.java 1
java/compiler/impl/src/com/intellij/compiler/backwardRefs/DirtyScopeHolder.java 1

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/test/org/intellij/lang/regexp/RegExpWordSelectionFilterTest.java 1 49.0
RegExpSupport/test/org/intellij/lang/regexp/inspection/RegExpInspectionTestCase.java 1 41.0
images/src/org/intellij/images/options/impl/ImagesOptionsTopHitProvider.java 1 NaN
java/compiler/impl/src/com/intellij/compiler/actions/CompileProjectAction.java 1 38.0
java/compiler/impl/src/com/intellij/compiler/backwardRefs/DirtyScopeHolder.java 1 293.0

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/lang-impl/src/com/intellij/openapi/editor/EditorMouseHoverPopupManager.java 18 497.0
platform/platform-impl/src/com/intellij/platform/PlatformProjectOpenProcessor.java 9 337.0
platform/platform-impl/src/com/intellij/openapi/wm/impl/IdeFrameImpl.java 7 618.0
platform/vcs-log/impl/src/com/intellij/vcs/log/impl/VcsProjectLog.java 7 204.0
platform/util/ui/src/com/intellij/util/ui/UIUtil.java 7 2902.0
platform/lang-impl/src/com/intellij/execution/ui/layout/impl/RunnerContentUi.java 7 1567.0
platform/lang-impl/src/com/intellij/execution/ui/layout/impl/GridCellImpl.java 6 406.0
platform/platform-impl/src/com/intellij/ide/RecentProjectsManagerBase.java 6 592.0
platform/platform-impl/src/com/intellij/openapi/wm/impl/WindowManagerImpl.java 6 641.0
java/java-analysis-impl/src/com/intellij/codeInsight/daemon/impl/analysis/HighlightUtil.java 6 2834.0

V. Kommunikation

  • Ergebnisse managementtauglich darstellen
  • Nächste Schritte lostreten

Wir plotten die TOP 10 Liste als XY-Diagramm.


In [10]:
ax = top10.plot.scatter('sha', 'code');

for k, v in top10.iterrows():
    ax.annotate(k.split("/")[-1], v)


Ende der Demo

Weitere Analysen

  • Analyse von Performance-Bottlenecks mit Daten von vmstat
  • Abhängigkeitsanalyse mit Daten von jdeps und Visualisierung mit D3

Zusammenfassung

1. Analysen mit Data-Science-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
  • Jeff Leek: The Elements of Data Analytic Style
  • Tim Menzies, Laurie Williams, Thomas Zimmermann: Perspectives on Data Science for Software Engineering
  • Mini-Tutorial auf feststelltaste.de

Vielen Dank! Fragen?

Markus Harrer
innoQ Deutschland GmbH

markus.harrer@innoq.com

@feststelltaste