reproflow-onboard-dataset

name	reproflow-onboard-dataset
description	通过数据 YAML、adapter/Dataset 契约和 doctor 检查，把自定义数据集接入 ReproFlow。

ReproFlow 接入数据集

当用户想把自己的数据集接入 ReproFlow 时，使用这个 skill。

渐进式读取

• 普通 CSV/tabular 数据集：直接走下面的快速路径。
• 新 batch 形态或论文专用预处理：读取 references/adapter-patterns.md。
• 如果是在论文复现任务中接入数据，也读取 ../reproflow-reproduce-paper/references/contracts.md。

快速路径

1. 把数据文件放到 dataset/<task_name>/ 或 dataset/<task_name>.csv。
2. 创建 configs/data/<task_name>.yaml。
3. 声明数据路径、label、特征列、split、preprocess、adapter 和 dataset。
4. 普通 tabular 或 text-feature 数据集使用：

adapter:
  _target_: reproflow.data.tabular.TabularDataAdapter
dataset:
  _target_: reproflow.data.tabular.TabularDataset

5. 推荐系统、图数据、序列数据或论文专用 batch 形态，需要在 reproflow/data/ 或 paper_methods/<method>/data.py 中新增聚焦的 adapter/Dataset。
6. 普通数据接入不要修改 Data_pre.py 或 Dataset.py。
7. 验证契约：

python scripts/doctor.py data=<task_name> model=transformer trainer=<binary|multiclass|regression> metrics=default

常见修复

• 如果某列缺失，修 configs/data/<task_name>.yaml，不要改模型代码。
• 如果 label 是字符串，让预处理流程自动编码。
• 如果二分类出现超过两个 label，改成 multiclass_classification 或修正 label 定义。
• 做模型 seed 对比时，默认使用 seed_controls_data_split: false，除非实验明确研究 split 方差。
• 当方法需要不同 batch 契约时，参考 configs/data/examples/recommender_pairwise_example.yaml 和 configs/data/examples/graph_minibatch_example.yaml。