企业级数据科学专家技能，覆盖A/B测试设计、因果推断、特征工程与模型评估全流程，提供生产级Python/R代码模板与最佳实践清单
说明：
## 核心功能定位
该 Skill 定位于**生产级数据科学工作流**，涵盖实验设计、特征工程、模型训练与评估、因果推断四大核心模块，提供可直接落地的代码模板与统计方法论。
### 显著优点
**方法论完整性**：覆盖从实验设计（样本量计算、双比例z检验、Bonferroni校正）到因果推断（双重差分法、平行趋势验证）的完整统计体系，避免常见统计谬误。
**工程化意识突出**：强制要求 MLflow 实验追踪、交叉验证指标报告（AUC-ROC + AUC-PR）、过拟合检测（overfit_gap > 0.05 预警），契合 MLOps 最佳实践。
**防泄漏设计**：特征工程模块明确标注”时间特征必须在 train/test 拆分前生成”、”转换器仅在训练集 fit”，直击数据科学最常见错误。
**多语言支持**：Python（NumPy/Pandas/Scikit-learn/XGBoost）、R、SQL 三栈覆盖，适应不同团队技术栈。
### 潜在局限与风险
**模板完整性问题**：`scripts/` 目录下三个 Python 文件（experiment_designer.py、feature_engineering_pipeline.py、model_evaluation_suite.py）为空白骨架代码，用户可能误以为是可用模块。
**统计假设依赖性强**：A/B 测试模块假设用户理解随机化单位、业务周期等概念；DiD 模块要求用户自行验证平行趋势前提——缺乏经验者可能误用。
**无实时数据连接**：所有代码为离线分析模板，不涉及数据库连接、流式数据摄取或特征存储系统集成，生产部署需额外工程工作。
**T3 来源风险**：维护者为个人开发者 alirezarezvani，无 GitHub 组织背书，长期维护与社区支持存疑。
### 适合人群
– 具备统计基础、需标准化代码模板的中高级数据科学家
– 正在建立实验文化、需 A/B 测试基础设施的互联网公司
– 需将因果推断方法（DiD）应用于政策/产品效果评估的分析团队
### 常规风险
– **p-hacking 诱导**：虽提供 Bonferroni 校正建议，但多指标测试的诱惑仍存
– **因果过度推断**：DiD 模块若被用于不满足平行趋势的数据，将产生虚假因果结论
– **模型上线风险**：评估模块强调概率校准与 SHAP 验证，但无模型监控/漂移检测代码
会员专属
