dataset — 公开数据集发现

何时使用

• 题目附件没有数据集，但题面要求"查找类似公开数据"。
• 需要历史基准数据集（如 MNIST / Iris / 波士顿房价）做模型对比。
• 不要在已有附件数据时启用本子 skill。

入口

数据源	入口	配置
Kaggle	kaggle datasets list -s <kw> / kaggle datasets download -d <user/name>	~/.kaggle/kaggle.json（注册免费下载）
UCI ML	直接 HTTPS pd.read_csv(url)	无
HuggingFace	from datasets import load_dataset	EZMM_HF_TOKEN（私有数据集）
天池	浏览器 + 手动下载	无

命令模板

# Kaggle 搜索 + 下载
kaggle datasets list -s "vegetable retail price"
kaggle datasets download -d <user/dataset-name> -p workdir/.../attachments/external/kaggle --unzip

# HuggingFace
python -c "from datasets import load_dataset; ds = load_dataset('squad', split='train[:1%]')"

# UCI（直接 URL）
python -c "import pandas as pd; df = pd.read_csv('https://archive.ics.uci.edu/...'); df.to_csv('workdir/.../attachments/external/uci/iris.csv', index=False)"

落盘规范

外部下载的数据放在：

workdir/{task_id}/attachments/external/<source>/<dataset>/

并在同目录写 SOURCES.md：

- 数据集名: <name>
- 来源: <kaggle url>
- License: <CC0 / CC-BY / Apache-2.0 / 其他>
- 下载时间: <ISO timestamp>
- 用途说明: <一句话>

失败诊断

情况	处理
Kaggle token 未配置	提示用户 ~/.kaggle/kaggle.json 配置
License 不允许商用	数据可用于学术建模报告；论文中标明出处 + license
文件 > 1GB	coder 阶段用 chunksize 处理（参考 prompts/coder.md）
网络受限	写诊断；建议用户手动下载放入 attachments/