分类数据集分层拆分、泄漏复核与交付

先定义预测单位，再选择随机种子

本工作流面向准备分类实验的数据分析师，交付边界是已批准的训练、验证、测试文件与可复现审查台账，不训练模型，也不认证数据没有偏差。先明确一条观测代表什么，以及预测时点真实可获得哪些信息。同一患者、用户、源文档、家庭或有先后关系的结果，不会因为占据不同数据行就变得独立。必须按主体或时间隔离时，应停止当前路线并使用合适的外部拆分方式；本工具没有分组或时间拆分控件。

确认上传授权，在保留受控来源映射的前提下删除不必要的敏感信息。检查缺失值、标签拼写和类别计数，空标签应先处理，不能悄悄变成一个新类别。拆分前校验实际 CSV：拆分器可能把短行补空、把超出表头宽度的单元格截掉。表头含糊或记录损坏时应先解决，成功导出不等于原字段全部保留。

类别计数时，给 CSV 分组器使用经过单独核对的简单标签单列表，不直接传入含多行特征文本或分隔符引号标签的复杂 CSV。它的解析器较基础；标签必须依赖复杂引号规则时，应改用适合的外部读取器并核对总数，不能为了适配解析而改名或合并标签。

审查重复，但不要删掉核对依据

用列选择器明确特征和标签结构，保留不参与预测的稳定记录键；不能上传该键时，另存经过授权的来源映射。唯一 ID 用来核对成员，不是模型输入。重复审查应在独立工作副本中对相关内容比较，避免唯一 ID 掩盖相同内容，同时保留每条记录的来源追溯。去重工具会删行，不应处理唯一原件，也不能自动接受模糊匹配。

重复测量可能是合法观测，此时问题往往是按行拆分不适用，而不是需要删除。相同内容标签冲突要判定原因，不能随意保留一条。确认属于意外副本后再在拆分前删除，记录保留键与理由。不要用全量数据拟合缺失值填补、缩放、特征选择或平衡策略；标签政策与固定入选条件先经批准，需要学习的变换只在训练数据上拟合。

冻结精确输入，核对真实分配

计算清理后精确输入的哈希，记录顺序、选定字段、目标列、工具版本、模式、比例、种子及分层和打乱设置。种子不能复现已经变化的输入或不同库的结果。本实现使用自己的随机数生成器，与 scikit-learn 种子相同也不代表成员相同。标准模式的测试比例是训练与验证之外的余量，要看真实整数分配，而不只看请求百分比。

例如独立的 100 条记录中两类分别为 80 与 20，70/15/15 方案可以把小类分为 14/3/3；但仅有两条记录的类别不可能覆盖三个子集。不能为了消除告警就合并科学含义不同的标签或关闭分层。可选分层 k 折生成训练验证对，各折训练成员相互重叠是正常现象，但每对内部必须隔离验证成员；该模式不生成独立最终测试集。

核对成员，封存评估数据再交付

下载并检查 ZIP，标准模式包括 train.csv、validation.csv、test.csv 和 split_report.json。重新统计类别，对照已批准输入核对来源键；标准拆分中每条入选原始记录应恰好出现一次，不能有未解释的遗漏或交叉。内置告警比较整行，唯一 ID 或轻微编辑会掩盖等价特征；主体、近副本和未来派生信息必须单独检查。JSON 报告不是完整的成员或跨集泄漏台账，还需留存页面告警和外部检查记录。

评估集保持原样，不平衡工具只接收训练副本；交叉验证实验则在每个训练折内部处理。拆分工具的 SMOTE 选项只是数值特征预览，不会把合成例子写进导出的拆分 CSV。整数编码和 ID 能解析为数字，也不代表适合连续插值。任何获批重采样都作为独立实验，不能通过改造测试分布让结果变好。校验并计算最终 CSV 哈希，本地留存文件、审查记录及未解决风险，记录键不得进入模型特征。来源、顺序或参数变化时建立新审核版本；统计分析和更广泛清理转入相关工作流。