Kaggle 新手 7 天怎么学？每天一个可核验产出

先约定这七天要交付什么

这是一份执行节奏，不是成绩承诺。七天结束时，你应该能拿出任务卡、数据检查记录、一个可运行基线、验证说明、输出文件检查和一页复盘；如果规则允许且所有检查已经完成，可以额外保留一次提交记录。排名、徽章和线上分数都不属于本计划的必达结果。 每天开始前写下可用时间和当天的一个问题，每天结束时保存一个产出。没有足够时间时，宁可只完成最小范围并记下缺口，也不要把多个未经检查的步骤堆在一个 Notebook 里。

天数	核心问题	当天最小产出	建议用时
Day 1	Kaggle 任务是什么	任务卡、术语表	40 分钟
Day 2	数据长什么样	数据字典、质量摘要	60 分钟
Day 3	模型怎样被检查	数据流图、指标说明	50 分钟
Day 4	如何跑通 Notebook	可从头执行的最小流程	60 分钟
Day 5	结果是否值得比较	基线、验证记录、输出检查	70 分钟
Day 6	哪些地方可能不可靠	风险清单、代码批注	55 分钟
Day 7	能否独立重做	独立运行、差异和复盘	85 分钟

Day 1：认识平台和任务

先阅读认识 Kaggle，用自己的话写出 Competition、Dataset、Notebook、Submission、Leaderboard 和 Profile 的作用。随后选一个可合法查看的公开任务，只看官方页面，不急着打开热门 Notebook。

填写这张任务卡：

字段	你的记录
目标	使用什么输入解决什么问题
样本	一行或一个对象代表什么
输出	预测值、文件或其他规定结果
指标	名称、方向、聚合方式和误解风险
规则	数据、团队、代码、资源和提交限制
时间	官方报名、组队与提交截止日期
缺口	还不懂的术语、字段或工具

当天的检查是：你能否不用任务标题复述目标、输入和输出。无法复述就把剩余时间放回 Overview、Data、Evaluation 和 Rules。

Day 2：用 Python 和 Pandas 体检数据

读取训练和测试文件，先输出行列数、列名、类型和前三行，再统计缺失、重复、唯一值和数值范围。不要一开始就画大量图，也不要在没有记录原因的情况下删除列。

可以先运行一个最小检查：

import pandas as pd

frame = pd.read_csv("data/train.csv")
print(frame.shape)
print(frame.dtypes)
print(frame.isna().sum().sort_values(ascending=False).head())
print("duplicate rows:", frame.duplicated().sum())

这是通用示例，路径和字段应替换为当前任务的实际值。为关键字段建立数据字典，标出是否为标识、特征、目标、时间或可能泄漏的信息。当天结束时保存一页“观察—风险—行动”：例如观察到某列缺失很多，风险是填补方式改变分布，行动是先按训练侧统计量处理并在验证中比较。

Day 3：分清特征、目标和验证

今天不追求复杂模型，只画出数据如何流动：输入字段经过哪些处理，模型学习什么，验证使用哪部分数据，最后如何生成输出。把 Feature、Target、Train、Test、Model 和 Validation 各写一句解释。

为当前任务选一个简单的成功标准。分类可以先看一个与类别分布相称的指标，回归可以先看一个容易解释的误差；同时写清数据切分假设。若同一主体有多条记录，应考虑按主体分组；若预测未来，应保证训练时间早于验证时间。

当天的检查是：你能指出哪些字段在预测时点不可用，能说明测试集何时才允许查看，并能解释为什么不能每次直接上传平台看分数。

Day 4：跑通一个 Notebook

进入平台使用说明，按 Rules、Data 和 Notebook 的顺序执行。先确认数据已经挂载、文件路径正确，再完成读取、检查、最小处理、基线训练、预测和输出。每段代码前写一句输入和输出说明，避免只依赖临时状态。

当天只追求闭环可运行。遇到报错时记录：

problem:
  symptom: "输出文件行数与样例不一致"
  checked: ["预测长度", "索引", "字段顺序"]
  next_action: "重新核对官方样例并从干净环境运行"

不要把真实凭据、私人路径或敏感数据放入记录。当天结束时从头重启 Notebook 一次，确认单元格顺序没有隐藏依赖。

Day 5：建立基线并检查输出

选择一个简单、可解释、能重复运行的基线。保存随机种子、数据版本、处理参数、验证指标和运行时间；如果使用交叉验证，记录每折结果及其波动。基线的作用是提供参照，不是证明最终方案优秀。

提交文件先在本地检查，再决定是否使用提交机会：

• 字段名和顺序是否与样例一致；
• 行数是否与待预测数据一致；
• 标识列是否保留且没有重复；
• 类型、缺失值、索引和额外调试列是否符合要求；
• 输出是否来自重新运行后的当前版本。

只有在 Rules 和文件契约都确认后，才把一次平台反馈写入实验表，并同时记录本地验证。若线上结果与本地差异很大，先列出切分、泄漏、预处理和格式的可能原因。

Day 6：复盘代码与公开边界

今天像代码审阅者一样逐段检查：数据是否在正确边界内切分，填补和编码是否只从训练侧学习，随机种子和依赖是否集中记录，失败输入是否有明确报错，公开代码的来源和许可是否清楚。

把发现分成三类：

类型	例子	修复动作
程序错误	文件路径不存在、列名拼错	缩小输入并补断言
评估风险	同一主体跨训练和验证、未来字段混入	重新定义切分或字段
表达风险	把公开方案写成个人原创	分层标注来源和贡献

挑一个风险实际修正，再重新运行。不要把失败记录删掉；写下症状、版本、排查步骤、判断和影响范围，它会成为第七天比较的基准。

Day 7：独立重做和形成复盘

关闭原 Notebook 或只保留任务卡，从数据读取开始重新实现最小流程。可以参考官方任务定义，但不要逐行依赖上一版代码。比较两次运行的字段、处理、基线指标、运行时间和输出差异；不同之处写出原因假设，暂时无法解释的地方保留为不确定。

最后完成一页复盘：

1. 我理解的任务、输入、输出和指标是什么？
2. 哪一步最容易出错，实际怎样检查？
3. 基线结果和验证波动如何，能支持什么结论？
4. 哪一次尝试没有带来改善，为什么暂时保留或放弃？
5. 哪些代码、数据和结论来自公开来源，自己具体新增了什么？
6. 下一周要验证的一个假设是什么？

如果你准备整理公开作品，可把复盘放进项目 README；若还没有稳定产出，先保存为私人学习记录，不必急着公开。

计划卡与延期规则

每天使用同一条记录格式，能够在时间不足时安全延期：

date: "YYYY-MM-DD"
focus: "今天要回答的问题"
input: "使用的数据或 Notebook 版本"
output: "今天留下的文件、表格或结论"
risk: "尚未确认的规则、数据或评估风险"
next: "下一次最小行动"

某天没有完成时，不把下一天的内容全部压缩到一个时段。先补齐前一天的最小产出，再决定是否减少范围；可以把计划从七天延长，但不跳过数据边界、验证和输出检查。

七天验收清单

• 已完成任务卡，并记录官方页面与关键赛程。
• 能读取数据并说明字段类型、缺失、重复和目标分布。
• 能解释 Feature、Target、Train、Test、Model 和 Validation。
• Notebook 从干净环境可以按顺序运行。
• 有一个简单基线、验证记录和输出文件检查。
• 至少记录并修正一个程序、评估或表达风险。
• 独立重做过一次，并保留差异、失败和下一步假设。

完成七天复盘后，若要整理公开成果，进入Kaggle 主页指南，把事实、证据和个人贡献放到合适的位置。