Light Data Engineering

数据处理、质量分析与数据集构建

核心原则

数据先行：在 m03 提 idea 之前，先回答四问——数据是否足以支撑研究？质量是否可靠？规模是否足够？特征是否有挖掘价值？避免脱离数据基础的空想。"规模是否足够"可先跑 scripts/sample_size_check.py 拿经验预警（分类每类最小样本/回归样本特征比 EPV/检测每类实例数），它给 ok/warn/insufficient 粗筛——但不是 power analysis，主结论样本量仍须正式功效论证。

输入 / 触发

• 上游（idea 前，主线）：用户原始数据 / 现成数据集 / 自建需求 → 出四问结论喂给 m03/m04。
• 回边（实验阶段，来自 m05）：可接收 research-plan 实验矩阵「派生数据规格」区块的派生数据需求（基础数据集 + 变换类型 + 关键参数 + 划分策略），据此产出对应的加噪/缺失/跨域/扫参评测集与 dataset_card，回填 db04 供 ROB/GEN/SEN 实验使用。派生集构建沿用下文「处理流程」「划分」「自建数据集规划」的方法与防泄漏铁律。

数据体检（先做）

1. 概览：行列、类型、内存、样例。
   • 中小数据 pandas：读入即定 dtype/parse_dates，df.info(memory_usage='deep') 看真实内存，df.isna().mean() 一行得缺失率，df.describe(include='all')。object 列转 category 省内存。
   • 大数据按场景选引擎：单机想要快+查询优化用 Polars 惰性管线 pl.scan_csv(...).filter(...).group_by(...).collect()，超大开 collect(streaming=True)；想用 SQL 直查 parquet/csv 且 out-of-core 用 DuckDB（duckdb.sql("SELECT ... FROM 'data/*.parquet'")，超内存自动 spill）；想保持 pandas 写法又超内存用 Dask dd.read_csv("*.csv")...compute()。（引擎选型矩阵以 a09 tool-selection decision_matrix.md 为单一口径；旧推荐的 Vaex 2023 后已停维护、勿新用。）
2. 质量画像：按需各取所长，别只跑一个。
   • ydata-profiling 出整体 EDA 报告：ProfileReport(df, title=...).to_file("r.html")；列多/行多务必 minimal=True，时序 tsmode=True；对比清洗前后/train-test 用 r1.compare(r2)。看报告 Alerts（高相关、高基数、常量、缺失）。
   • Deepchecks 跑结构化校验套件：Dataset(df, label=, cat_features=[...]) 后 data_integrity().run(ds)（重复/混合类型/特征-标签泄漏/异常值）、train_test_validation().run(train_ds, test_ds)（漂移/新类别/train-test 样本重叠泄漏）。
   • Great Expectations 做可复现质量门禁：gx.get_context() → Data Source/Asset/Batch → Expectation Suite（ExpectColumnValuesToNotBeNull/ToBeBetween/ToBeInSet/ToBeUnique/ToMatchRegex）→ Validation Definition → Checkpoint，产出 Data Docs。注意 GX 1.x 与 0.x API 断层，认版本。
   • 标准化交换/发布元数据用 Frictionless：frictionless describe 推断 Table Schema，frictionless validate datapackage.json 出 cell/row 级错误报告。
3. 质量结论：给出“可直接用 / 需清洗 / 不足以支撑 / 需补采”的明确判断与理由。

EDA 与统计分析流程

• EDA 七步：结构概览→缺失分析（missingno matrix/heatmap 看缺失模式）→单变量（数值直方图+箱线、类别频次）→双变量（散点+相关、分组箱线、交叉表/卡方）→多变量（相关热力图、pairplot、PCA）→目标关系（特征 vs 目标，初判预测力与泄漏）→质量小结。EDA 结论只是假设，别用同一份数据既探索又下统计定论。
• 统计检验决策：先查前提——正态性（Shapiro-Wilk，大样本改看 QQ 图，因其过敏感）、方差齐性（Levene）。两组数值正态→t 检验（方差不齐用 Welch）；非正态→Mann-Whitney U；配对→配对 t/Wilcoxon；多组→ANOVA/Kruskal-Wallis；类别关联→卡方/Fisher。必报效应量（Cohen's d、Cramér's V、r/ρ）与置信区间，不只报 p。多检验必校正：FDR(Benjamini-Hochberg) 优先，Bonferroni 更保守。警惕 p-hacking 与 HARKing。

处理流程

• 清洗：去重、类型修正、统一编码/单位、文本规范化。
• 缺失值：分机制(MCAR/MAR/MNAR)选策略——删除/均值中位数/模型插补/标记位。
• 异常值：IQR/z-score/孤立森林/业务规则，区分错误 vs 真实极端。
• 特征工程：编码、缩放、构造、选择(过滤/包裹/嵌入)、降维。
• 数据增强：按模态选工具，先划分再增强、只增训练折（验证/测试保持原始分布，否则指标虚高）——图像 albumentations（bbox/mask 同步变换）、文本 nlpaug（同义词/上下文/回译，注意别翻转标签语义）、时序 tsaug（TimeWarp/Drift/加噪，注意别破坏因果引入泄漏）、表格 SMOTE 等只在训练折拟合。各模态用法与红线见 references「数据增强」节。
• 划分（scikit-learn）——命名方法论锚点(db04 卡 recommended_splits/preprocessing_steps 指针引用，跨数据集单点维护)：train_test_split(..., stratify=y, random_state=) 分类必分层；交叉验证按数据性质选——SPLIT-01(time-forward 防未来穿越) 时序用 TimeSeriesSplit、SPLIT-02(按组/患者/牧场/地点分域防泄漏) 重复个体用 GroupKFold/StratifiedGroupKFold、一般分类用 StratifiedKFold。LEAK-01(只在训练折 fit)：缩放/插补/编码/特征选择全部放进 Pipeline+ColumnTransformer，只在训练折 fit，绝不在划分前对全量 fit_transform。记录随机种子。（safe_split.py 已对 LEAK-01 做折内 refit 断言。）

自建数据集规划

采集方式、标注规范、数据格式、数据说明文档(datasheet)、隐私合规(脱敏/授权/许可)、发布方式(Zenodo/HF/Figshare + DOI + license)。产出 dataset_card（见 db04 字段）。

• 标注规范用模板 templates/annotation_guide.md：类目定义 / 边界案例判定规则 / LLM 辅助标注+人工审核闭环 / 质检抽样率 / IAA 一致性指标。一致性指标复用 code_assets/agreement.py（Cohen's κ / 二次加权 κ 用于有序评分 / Fleiss' κ ≥3 标注者 / ICC(2,1) 连续值，已对齐 sklearn），不重写；κ<0.6 不达标要回补边界规则重标。
• LLM 预标注不可直接当真值：会放大模型偏差，必须人工审核闭环，留痕 pred_label/human_label/是否修正/仲裁。

找现成数据集（自建前先查）

• OpenML：轻量取数 fetch_openml(name=, version=, as_frame=True) 或 fetch_openml(data_id=)；完整能力 openml.datasets.get_dataset(id).get_data(target=)、list_datasets(...)、标准化 tasks/runs 可复现。锁 version/data_id 保证复现。
• Hugging Face Datasets：load_dataset(name, split=)，本地 load_dataset("csv"/"parquet", data_files=)，超大 streaming=True（IterableDataset）。处理用 .map(batched=True)/.filter/.train_test_split。
• Kaggle：kaggle.json 放 ~/.kaggle/（权限 600），kaggle datasets list -s 关键词、kaggle datasets download -d owner/name --unzip。需先接受数据集条款，注意各数据集 license。

质量评估指标

完整性、一致性、准确性、时效性、唯一性、代表性、偏差(bias_risk)、隐私(privacy_risk)、标注质量。漂移监控用 Evidently 新版 API：Dataset.from_pandas(df, data_definition=DataDefinition(...)) 包装 current/reference，Report(metrics=[DataDriftPreset()]).run(current_data=, reference_data=)，.save_html()。漂移按列选检验（KS/PSI/卡方/Wasserstein）；注意 Evidently 近年 API 大改，认版本，且“检出漂移≠有害”需结合业务判断。

• 标注质量有指标更要有检测手段：用 cleanlab 置信学习定位疑似标错样本——交叉验证 out-of-sample 预测概率 → find_label_issues 出按可疑度排序清单（用法见 references「cleanlab」节）。pred_probs 必须 out-of-sample，找出候选后人工裁定 top-K，不全自动删。cleanlab（定位具体可疑样本）与 IAA（评标注流程整体可靠度，code_assets/agreement.py）互补，两者都做。

产出

1. 数据质量报告（含四问结论）。标准工件：quality_report.md（命名见 CONVENTIONS §6.1）。
2. 可复现处理流水线（脚本 + 参数 + 种子，交 a03 落地）。
3. 划分方案与说明。
4. dataset_card（自建时）。项目级数据卡标准工件：data_card.md（交 m05/a03/m06）。
5. 四问结论卡 data_feasibility.md（交 m03/m04）：把"数据是否足以支撑/质量是否可靠/规模是否足够/特征是否有价值"四问收敛成 ok/warn/insufficient + 依据的轻量落盘工件，给 m03 判 idea 该不该立项、m04 复核数据声明用——区别于给做实验用的重工件 data_card/quality_report。由 scripts/data_feasibility.py 生成；insufficient 即退出码 1，可当"不进 m03"的闸门。这是 m02→m03/m04 的标准交接工件，补此前靠聊天传的单向挂载（CONVENTIONS §6.1 双向声明）。

工件落位：用 scripts/emit_artifacts.py --check 核三件套（quality_report.md / data_card.md / data_feasibility.md）是否落到 §6.1 标准名，--register 打印 passport 登记命令（委托 a01 orchestrator 的 passport.py），保证 orchestrator 台账与 a07 一致性回扫扫得到。

衔接

结论喂给 m03/m04；流水线交 a03 实现；数据集登记 db04 与项目库 db09。隐私/许可问题上报 a10。

随技能脚本（可直接运行，纯 python + 合成自测，无网络依赖）

所有脚本带 --selftest（无需数据，内置合成数据 + 断言验证检测器真的触发）。

• scripts/data_doctor.py：CSV → Markdown 数据体检报告（形状/类型/真实内存/缺失/重复/常量列/全空列/高基数/IQR 异常值/强相关/目标泄漏提示/ID-like 列/inf 无穷值/混合类型列/类不均衡/强偏态/稀有类别，按 HIGH/MED/LOW 给问题摘要）。泄漏检测覆盖数值目标（|corr|≥0.98）与分类目标（数值特征 η² 相关比、类别特征条件纯度，纯 numpy/pandas 算单特征近乎可分）；低基数整数目标自动当分类处理；ID-like 列（近乎逐行唯一）单列提示；高基数阈值随行数自适应。
  • 自测：python scripts/data_doctor.py --selftest
  • 用法：python scripts/data_doctor.py --csv data.csv --target y --out report.md（--sample N 先抽样防大表卡死）。
• scripts/safe_split.py：按 --task clf/reg/timeseries/group 构建 Pipeline+ColumnTransformer（数值 median 插补+标准化、类别 most_frequent 插补+OneHot）并自动选 CV——StratifiedKFold/KFold/TimeSeriesSplit/GroupKFold/StratifiedGroupKFold。内置泄漏断言：证明预处理在每折单独 refit（折内 mean ≠ 全量 mean），杜绝划分前 fit_transform。时序正确性护栏：timeseries 任务用 --time-col 按时间升序重排并校验单调（不给则显式警告，不静默用乱序数据跑出穿越结果）。group 分类/回归显式声明 --group-clf/--group-reg（不再靠 nunique<=20 猜，避免 20+ 类分类误退化丢分层）。
  • 自测：python scripts/safe_split.py --selftest（四种任务全跑 + 时序排序护栏 + 显式 group 判定）。
  • 用法：python scripts/safe_split.py --csv data.csv --target y --task group --group-col user_id --group-clf；时序 --task timeseries --time-col date。
• scripts/sample_size_check.py：数据规模充足性经验预警（四问之"规模"）。按经验阈值给 ok/warn/insufficient——分类每类最小样本（50/100 档）、回归样本/特征比 EPV（10/20 档）、检测每类实例数、二分类正例 EPV（Peduzzi 1996）。明确非 power analysis，只做"低于经验下限就预警"的粗筛，主结论样本量仍须正式功效论证（statsmodels / code_assets stats_tests power 函数）。阈值可调。
  • 自测：python scripts/sample_size_check.py --selftest
  • 用法：python scripts/sample_size_check.py --task clf --n 1200 --classes 3 --features 20（--per-class 960,20,20 按最小类更严谨）。
• scripts/quality_gate.py：拿 YAML 规则校验 CSV，出 PASS/FAIL 报告（dataset: min/max_rows、no_duplicate_rows；columns: dtype/required/non_null/unique/min/max/enum/regex）。纯 pandas+PyYAML，无 GX/Frictionless 硬依赖，退出码 0/1 可直接做 CI 数据门禁。
  • 自测：python scripts/quality_gate.py --selftest；规则示例见 examples/rules.example.yaml。
  • 用法：python scripts/quality_gate.py --csv data.csv --rules rules.yaml --out gate.md。
• assets/data_card_template.md：datasheet 模板（字段对齐 db04），含质量评估、偏差/隐私风险、访问分级、推荐划分、溯源核实区。
• scripts/croissant_export.py：把数据卡关键字段导出为 Croissant JSON-LD（MLCommons 机器可读数据卡标准，HF/Kaggle/OpenML 已采用），发布数据集时附上便于被自动索引——人读 Markdown(data_card) + 机读 JSON-LD(croissant) 双产物。最小骨架（name/license/url/citation + 字段字典），完整 distribution 校验和/hash 须用 mlcommons/croissant 官方库补全。python scripts/croissant_export.py --in card_fields.json --out ds.croissant.json（缺核心字段会 warn 不臆造）。
• scripts/check_access_level.py：数据访问分级守门。每份数据/派生集在数据卡声明 access_level（raw/redacted/verified_only），脚本校验它能否流向某下游 sink——raw 数据流向 paper/figure/public-repo 等公开环节会被阻断（退出码非零，可当 pipeline 闸门）。三态 pass/blocked/unknown，只按声明判定，真实脱敏是否到位仍需 a10 复核。
  • 自测：python scripts/check_access_level.py --selftest
  • 用法：python scripts/check_access_level.py --level raw --sink paper，或 --manifest flows.json 批量校验流向清单。
• scripts/data_feasibility.py：数据先行四问 → data_feasibility.md（交 m03/m04 的标准工件）。四问各给 ok/warn/insufficient + 依据，整体取最差档(usable/usable_with_caveats/insufficient)。可手填(--q1 ok:理由)或吃 sample_size_check.py --json 自动填 Q3(--scale-json)。insufficient → 退出码 1，可当"不进 m03"闸门。补 m02→m03/m04 的单向挂载。
  • 自测：python scripts/data_feasibility.py --selftest
  • 用法：python scripts/data_feasibility.py --project X --q1 ok:... --q2 warn:... --q3 insufficient:... --q4 ok:... --out data_feasibility.md。
• scripts/drift_check.py：两数据集分布漂移检验(reference vs current)，补 data_doctor 单数据集体检之外的 train/test 同分布 / 上线漂移 / 清洗前后对比。数值列 KS+PSI、类别列卡方+PSI；纯 numpy 实现(p 值渐近近似，无 scipy 硬依赖)。PSI 档 <0.1 稳定/0.1~0.25 轻微/>0.25 显著。以 PSI 效应量为主、p 为辅(大样本 p 过敏)，检出漂移≠有害。
  • 自测：python scripts/drift_check.py --selftest
  • 用法：python scripts/drift_check.py --ref train.csv --cur test.csv --out drift.md。
• scripts/derive_eval_set.py：m05 派生数据回边的可执行实现。据派生规格 JSON(基础集 + 变换 + 参数)生成鲁棒性/泛化/敏感性评测集 + 对齐 db04 的 dataset_card 字段。变换：noise(加噪)/missing(MCAR缺失)/subset(跨域子集)/scale(扫参)。铁律：默认只动特征不碰标签(target_safe)、固定 seed 记入卡、仅作评测不回流训练折。规格示例见 examples/derive_spec.example.json，产出 card_fields 可喂 croissant_export.py 回填 db04。
  • 自测：python scripts/derive_eval_set.py --selftest
  • 用法：python scripts/derive_eval_set.py --base data.csv --spec derive_spec.json --outdir derived/。
• scripts/emit_artifacts.py：m02 标准工件落位守门——--check 核 quality_report.md/data_card.md/data_feasibility.md 是否落到 §6.1 标准名，--register 打印委托 orchestrator passport.py 的登记命令(artifacts 路径是 a07 回扫权威清单)。纯标准库。
  • 自测：python scripts/emit_artifacts.py --selftest
  • 用法：python scripts/emit_artifacts.py --check --dir .。
• 统计检验/效应量/多重校正请复用仓库根的 code_assets/stats_tests.py（相对本技能为 ../../code_assets/，含 welch_t、benjamini_hochberg、wilson_ci 等），标注一致性复用 agreement.py，长尾重采样复用 longtail_resample.py，不要重造。

工具的真实端点/API/参数与已知坑详见 references.md（逐工具核查笔记）。