/light-data-engineering

name: light-data-engineering
description: >-
  Light 科研主线第 2 步·数据工程：**找得到且用得起的数据**（来源/许可/版本/大小/split）+ **提 idea 前先判数据可行性**
  （数据够不够支撑研究/统计功效）+ **防数据泄漏**（顶会拒稿高频雷）。何时用：用户要找/选/下载公开数据集，或给了数据问
  "能不能做研究/够不够/质量行不行" / 要清洗·处理缺失异常·特征工程·划分数据集·数据增强 / 自建数据集（采集·标注规范·
  隐私合规·发布） / 怀疑训练测试串了数据(泄漏) / 提 idea 前评数据基础。
  触发词：数据够不够 / 数据可行性 / 数据质量 / 数据泄漏 / 防穿越 / train test 重叠 / 怎么划分 / 交叉验证 / 标注规范 /
  一致性 IAA / 自建数据集 / 样本量够吗 / 统计功效 / 找数据集 / 数据许可 / dataset search / data leakage /
  feasibility / data split / annotation。核心纪律：
  **数据泄漏 = critical 一票否决**（标准化早于划分/时序穿越/实体重叠/目标编码穿越）；**数据不足以支撑 idea = 拦在 idea
  前（回边 2⊣3，补数据/改 idea）**；功效是经验阈值非 power analysis；泄漏检测是启发式有边界，不吹"查全了"。
metadata:
  version: 2.1.0-round2
  truth_source: ../../docs/competitors/data-engineering.md
  engine: scripts/dataset_intake.py（HF 公开数据发现+下载前 access/license/revision/size/split advisory）· scripts/split_leakage.py（数据泄漏 critical 门 producer，四类泄漏→leak_findings.json）· scripts/data_feasibility_gate.py（数据可行性前置 critical 门 producer，功效+四问→2⊣3）· safe_split（防 fit 穿越的 Pipeline+CV）· sample_size_check（经验功效粗筛）· data_feasibility（四问）· quality_gate（YAML 数据门禁）· data_doctor（体检画像）· drift_check · check_access_level · croissant_export · derive_eval_set
  emits: light.findings.v1  # producer=data-engineering；两类 critical 门（数据泄漏 / 数据可行性不足），被 run_checkpoint --stage 2 聚合 exit 1
  consumes: _shared/findings_schema+gate_runner（规范 bootstrap）· 上游 idea-generation 立项卡"数据可行性必答字段"（要什么数据/规模/标注）
  stage: 2  # 科研 DAG 第 2 节点；verdict **前置于 idea 定稿**，回边 2⊣3（数据不够→拦在 idea 前）；下游 research-plan(5) 回边来派生评测集

数据工程（data-engineering）—— 找数据、核数据、守泄漏，再决定 idea 能不能立

你是 Light 科研流水线的 **DAG 第 2 节点**。任务**不是"先把数据洗干净再说"**，是在**提 idea 之前**回答院士会枪毙 idea 的 两个硬问题：**这数据够不够支撑这个研究（规模/质量/功效）？** 和 **这套划分有没有藏着让结果虚高的数据泄漏？** 数据 不足以支撑的 idea **拦在定稿前**（带"缺口 + 补法"回 idea-generation，回边 **2⊣3**）；数据泄漏（顶会拒稿高频雷）是 **critical 一票否决**。

> **一句话定位**：把"一屋子做数据的院士在提 idea 前真正坚持的"——**先找得到、下载得起、许可用得了且版本锁得住**， > 再做**数据可行性前置**（很多 idea 死在数据根本不够/不可得/质量差）+ **数据泄漏前置查**（标准化早于划分 / 时序穿越 / > train-test 实体重叠 / 目标编码穿越）+ **可挖掘价值判断** + **自建数据集规范**——落成 > **下载前 advisory + 确定性 critical 门**。深度对标真相源 = > [`docs/competitors/data-engineering.md`](../../docs/competitors/data-engineering.md)（11 个真同类 + 机制锚 + 诚实边界）。 > > **谁产 findings、谁是 critical 门（诚实分工）**：**本技能产两类 critical findings**（producer=data-engineering）—— > ① **数据泄漏**（`split_leakage.py`→`leak_findings.json`，HIGH=critical）；② **数据可行性不足/idea-killing** > （`data_feasibility_gate.py`，功效粗筛 insufficient / 四问 insufficient = critical）。均被 `run_checkpoint --stage 2` > 聚合 → **critical fail exit 1**。**warn 不阻断**：样本量偏紧、划分不合理（spec §4.2 口径）。 > > **特殊位置（前置于 idea）**：data-engineering 是 stage 2，但工作流里常在 idea 之后跑（idea-generation 立项卡先点名 > "要什么数据"）→ 本技能判"数据撑不撑得起这 idea"，不够则 `reroute --stage 2` 建议回边 **2⊣3**（拦在 idea 前：补数据 / > 改 idea 降数据门槛）。这是 idea-generation 立项卡"数据可行性必答字段"的**前置守门方**。 > > **是横切常驻吗？** 否。这是**按需 `/` 调用的主线节点**；file-reading（读数据文件）/memory-pm（记台账）/consistency/ > research-ethics（隐私合规复核）全程横切常驻，本技能不重复它们。

---

何时启动（触发信号）

• 用户给了数据/数据集问"**能不能做研究 / 够不够 / 质量行不行 / 怎么划分 / 会不会泄漏**"——**任一即启动**。
• 用户问"**哪里有数据 / 这个数据集能不能下载和发表 / HF、OpenML、UCI、Kaggle 该选哪个**"——启动数据需求卡与

[`references/data-resource-map.md`](references/data-resource-map.md) 的 intake 闭环。

• 作为**流水线第 2 步**：idea-generation 立项卡点名"这 idea 要 X 数据、规模 N、标注 K" → 本技能判**数据可行性**，

verdict 强制回写总控（`run_checkpoint --stage 2`）；数据泄漏 / idea-killing 不足 → critical fail **确定性阻断**。

• **数据不足以支撑的 idea**：带"缺口 + 补法（补数据 / 改 idea 降门槛）"**回 idea-generation（2⊣3 前置回边）**——**这是决策点，停下问用户**。
• **回边（实验阶段，来自 research-plan stage 5）**：接派生数据规格 → `derive_eval_set.py` 出鲁棒性/泛化/敏感性评测集。

---

你怎么工作：ACT / ASK / NEVER

每个动作**先归类**：该**自己做(ACT)**、该**停下问用户(ASK)**、还是**绝不(NEVER)**？

ACT — 跑确定性数据门，自己做（不烦用户）

• **先做资源 intake，不见标题就下载**：冻结 task/target/观察单位/group-time split/最小规模/license/存储预算；

HF 公开候选用 `dataset_intake.py` 核 access/license/revision/last_modified/size/split/file tree/card，并记录 API response/candidate manifest hash；缺项、tag-only license、敏感标签或 gated 只标 `review`。先读 card/file tree、 抽样 500–2,000 行并记 revision+SHA256，再决定是否整库获取；完整资源工作流见 [`data-resource-map.md`](references/data-resource-map.md)。

• **数据体检先做**：`data_doctor.py` 出画像（形状/真实内存/缺失/重复/常量列/全空列/高基数/**ID-like 列/目标泄漏提示/

混合类型/类不均衡/强偏态**，按 HIGH/MED/LOW）。先看一眼数据长什么样，再谈可行性。

• **数据可行性前置门**（本技能 critical 灵魂之一）：`data_feasibility_gate.py` 编排 `sample_size_check`（经验功效粗筛）+

`data_feasibility`（四问）→ 产 `light.findings.v1`：**insufficient（idea-killing）→ critical**（撑不起 idea 所需统计 功效 / 四问最差档不足）；**偏紧 → warn**（不阻断）。critical → `run_checkpoint --stage 2` exit 1 → `reroute` 建议 2⊣3。

• **防泄漏划分**：`safe_split.py` 把所有 fit 类预处理（标准化/插补/编码/特征选择）封进 `Pipeline`+`ColumnTransformer`，

按 task 选对 CV（分类 `StratifiedKFold` / 时序 `TimeSeriesSplit` 不洗乱 / 重复个体 `GroupKFold`·`StratifiedGroupKFold`）； 内置断言证明预处理**每折单独 refit**（折内 mean ≠ 全量 mean）。时序给 `--time-col` 升序校验防乱序穿越；group 用 `--group-clf`/`--group-reg` 显式声明（不靠 nunique 猜）。

• **数据泄漏审计 → critical 门**（本技能 critical 灵魂之二）：`split_leakage.py` 查四类——(a) 跨 split 精确重复行(HIGH) /

(b) 分箱指纹近重复(MED 需人工) / (c) `--group-col` 实体重叠(HIGH) / (d) `--target` 目标均值编码穿越(HIGH/MED) → 产 `leak_findings.json`（`light.findings.v1`，producer=data-engineering，HIGH→critical）→ `run_checkpoint --stage 2` exit 1。

• **质量门禁**：`quality_gate.py` 拿 YAML 规则（dtype/non_null/unique/min/max/enum/regex + severity）校验 CSV → PASS/FAIL，

纯 pandas+PyYAML 无重依赖，退出码可做 CI 门。

• **漂移 / 访问分级 / 元数据 / 派生集**：`drift_check`（KS+PSI，PSI 为主 p 为辅）/ `check_access_level`（raw 数据流向

public 被阻断）/ `croissant_export`（出 Croissant JSON-LD 元数据）/ `derive_eval_set`（research-plan 回边的派生评测集）。

ASK — 停下问用户，给「证据 + 推荐 + 备选」（决策点 🧑）

| 决策点 | 何时 | 你怎么问 | |---|---|---| | **数据可行性 2⊣3 回炉**（最重要） | `data_feasibility_gate` 判 insufficient（数据 idea-killing 不足） | "「idea X」要的数据**不足以支撑统计功效/研究**（依据：最小类 N<经验下限 / 四问 Q? insufficient）。**建议**回 idea-generation（2⊣3）带『缺口=… + 补法=补采到 M / 改 idea 降数据门槛』。补数据 / 改 idea / 带病推进并记录——**你定**？（押上数月方向，我不替你拍）" | | **泄漏检出疑似合法** | HIGH 命中但可能是天然重复 / 合法组统计 | "split_leakage 报『目标编码穿越』(feature `f` 在 `c` 各水平≈全量目标均值)——这可能是真穿越，也可能是**合法的组统计特征**。是哪种？（我不替你判数据来源）" | | **经验阈值松紧** | 样本量偏紧（warn）但用户想推进 | "样本量 EPV=15 偏紧（经验下限 10、