Missing Values & Data Leakage: 如何系统性排查数据泄漏？给出可操作的清单。

Core Concept: 按时间切分、把预处理放进 pipeline、检查特征可得时间、做特征-标签相关性审计、用随机标签测试。

系统性的五道检查（按优先级）：① <strong>随机标签测试（最有效的单步）</strong>——把标签随机打乱后重新训练，性能应降到随机水平（AUC≈0.5、accuracy≈多数类比例）。若仍显著高于随机，说明存在泄漏（模型从特征中找到了标签的痕迹）。这一测试能一次性捕获大多数泄漏。② <strong>时间可得性审计</strong>——逐个特征问'在预测时刻 t，这个值是否已经存在？'常见泄漏：用未来统计做的滚动特征、用全量数据算的标准化/目标编码、包含未来信息的聚合特征、从标签派生的特征（如'退款金额'预测'是否退款'）。③ <strong>Pipeline 封装</strong>——把所有预处理（标准化、插补、编码、特征选择、降维、SMOTE）放进 <code>sklearn.Pipeline</code>，确保它们只在训练折上 fit；手动在 CV 外做这些步骤是泄漏的最大来源。④ <strong>时间序列切分</strong>——时间数据必须用前向链式 CV（训练集严格早于验证集），随机 K 折会用到未来。⑤ <strong>特征-标签相关性审计</strong>——检查是否有单一特征与标签的相关性'异常高'（如 AUC>0.95），这通常意味着该特征直接或间接编码了标签。

常见泄漏清单与修复：① <strong>ID 类特征</strong>——用户 ID、订单 ID 若与标签有时间顺序相关（如新 ID 更可能是新用户），会让模型学到'ID 越大越可能正类'的伪关系；应移除或用 ID 的派生特征（如注册天数）。② <strong>目标编码泄漏</strong>——用全量数据算类别均值；修复：交叉拟合（K 折内算）+ 平滑。③ <strong>标准化/分箱泄漏</strong>——用全量数据算均值/方差/分箱边界；修复：放进 Pipeline。④ <strong>特征选择泄漏</strong>——用全量数据选特征后再 CV；修复：选择放进训练折。⑤ <strong>重复样本跨折</strong>——同一实体的多条记录被分到训练与验证折（如同一用户的多笔交易）；修复：用 GroupKFold。⑥ <strong>时间泄漏</strong>——用未来信息构造特征；修复：严格右开区间 + 时间 CV。⑦ <strong>数据版本不一致</strong>——训练用了修正后的数据、验证用了原始数据（或反之）；修复：统一数据版本快照。⑧ <strong>验证方法</strong>——最终用<strong>独立测试集</strong>（从未参与任何开发）确认性能；若离线指标远高于线上，泄漏是最可能的原因。