做数据科学项目时，最花时间的往往不是建模型，而是找数据。网上数据集很多，随手下载一个就开始训练，结果常常是模型跑得很好，一换真实数据就翻车。问题多半出在数据本身：来源不明、口径不清、许可不对、样本有偏。与其事后返工，不如在动手之前先把下面七个问题想清楚。 本文提到的平台规则与许可类型以各平台官方页面为准，核实日期 2026-11-09。凡是标了未核实的地方，都是没有验证过的说法，请不要当作事实。 问：什么是可靠的数据集？ 答：可靠不是指数据量大，而是指四个方面都交代得清楚。第一是来源清楚，知道数据是谁采集的、用什么方法采集的；第二是口径清楚，每个字段是什么意思、单位是什么、有没有缺失值；第三是时间清楚，数据覆盖哪个时间段、最后一次更 …