woodfishhhh dataset — 公开数据集发现
何时使用
- 题目附件没有数据集，但题面要求"查找类似公开数据"。
- 需要历史基准数据集（如 MNIST / Iris / 波士顿房价）做模型对比。
- 不要在已有附件数据时启用本子 skill。
入口
| 数据源 | 入口 | 配置 |
|---|---|---|
| Kaggle | kaggle datasets list -s <kw> / kaggle datasets download -d <user/name> |
~/.kaggle/kaggle.json（注册免费下载） |
| UCI ML | 直接 HTTPS pd.read_csv(url) |
无 |
| HuggingFace | from datasets import load_dataset |
EZMM_HF_TOKEN（私有数据集） |
| 天池 | 浏览器 + 手动下载 | 无 |
命令模板
# Kaggle 搜索 + 下载
kaggle datasets list -s "vegetable retail price"
kaggle datasets download -d <user/dataset-name> -p workdir/.../attachments/external/kaggle --unzip
# HuggingFace
python -c "from datasets import load_dataset; ds = load_dataset('squad', split='train[:1%]')"
# UCI（直接 URL）
python -c "import pandas as pd; df = pd.read_csv('https://archive.ics.uci.edu/...'); df.to_csv('workdir/.../attachments/external/uci/iris.csv', index=False)"
落盘规范
外部下载的数据放在：
workdir/{task_id}/attachments/external/<source>/<dataset>/
并在同目录写 SOURCES.md：
- 数据集名: <name>
- 来源: <kaggle url>
- License: <CC0 / CC-BY / Apache-2.0 / 其他>
- 下载时间: <ISO timestamp>
- 用途说明: <一句话>
失败诊断
| 情况 | 处理 |
|---|---|
| Kaggle token 未配置 | 提示用户 ~/.kaggle/kaggle.json 配置 |
| License 不允许商用 | 数据可用于学术建模报告；论文中标明出处 + license |
| 文件 > 1GB | coder 阶段用 chunksize 处理（参考 prompts/coder.md） |
| 网络受限 | 写诊断；建议用户手动下载放入 attachments/ |