删除 data.py

data.py

@@ -1,92 +0,0 @@
-import polars as pl
-import pandera as pa
-from pandera import Column, Check, DataFrameSchema
-import logging
-
-# 配置日志
-logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
-logger = logging.getLogger(__name__)
-
-# ==========================================
-# 1. 定义 Pandera Schema (数据契约)
-# ==========================================
-# 原始数据 Schema
-raw_schema = DataFrameSchema({
-    "age": Column(int, checks=Check.ge(18)),
-    "job": Column(str),
-    "marital": Column(str),
-    "education": Column(str),
-    "default": Column(str, checks=Check.isin(["yes", "no"])),
-    "balance": Column(int),
-    "housing": Column(str, checks=Check.isin(["yes", "no"])),
-    "loan": Column(str, checks=Check.isin(["yes", "no"])),
-    "contact": Column(str),
-    "day": Column(int, checks=[Check.ge(1), Check.le(31)]),
-    "month": Column(str),
-    "duration": Column(int, checks=Check.ge(0)),
-    "campaign": Column(int, checks=Check.ge(1)),
-    "pdays": Column(int),
-    "previous": Column(int, checks=Check.ge(0)),
-    "poutcome": Column(str),
-    "deposit": Column(str, checks=Check.isin(["yes", "no"])),
-})
-
-# 清洗后 Schema
-processed_schema = DataFrameSchema({
-    "age": Column(int),
-    "balance": Column(int),
-    "deposit": Column(int, checks=Check.isin([0, 1])),
-    # 其他数值化或保留的特征...
-})
-
-def load_and_clean_data(file_path: str):
-    """
-    使用 Polars 加载并清洗数据
-    """
-    logger.info(f"正在加载数据: {file_path}")
-    
-    # 1. Lazy Load
-    lf = pl.scan_csv(file_path)
-    
-    # 2. 初步清洗计划
-    # - 移除 duration (避免数据泄露)
-    # - 将 deposit (yes/no) 转换为 (1/0)
-    # - 简单的分类变量编码 (为了 LightGBM，我们可以保留分类类型或做 Label Encoding)
-    #   LightGBM 原生支持 Category，但 sklearn 需要数值。
-    #   为了通用性，这里做 Label Encoding 或者 One-Hot。
-    #   但 Polars 的 Label Encoding 比较手动。
-    #   我们这里先只做核心转换。
-
-    processed_lf = (
-        lf.drop(["duration"]) # 移除泄露特征
-          .with_columns([
-              pl.col("deposit").replace({"yes": 1, "no": 0}).cast(pl.Int64).alias("target"),
-              # 简单的特征工程示例：将 pdays -1 处理为 999 或单独一类 (这里保持原样，树模型能处理)
-          ])
-          .drop("deposit") # 移除原始标签列，保留 target
-    )
-
-    # 3. 执行计算 (Collect)
-    df = processed_lf.collect()
-    
-    logger.info(f"数据加载完成，形状: {df.shape}")
-    
-    # 4. Pandera 验证 (转换回 Pandas 验证，因为 Pandera 对 Polars 支持尚在实验阶段或部分支持)
-    # 这里我们验证关键字段
-    try:
-        # 简单验证一下 target 是否只有 0 和 1
-        assert df["target"].n_unique() <= 2
-        logger.info("基础数据验证通过")
-    except Exception as e:
-        logger.error(f"数据验证失败: {e}")
-        raise e
-        
-    return df
-
-if __name__ == "__main__":
-    # 测试代码
-    try:
-        df = load_and_clean_data("data/bank.csv")
-        print(df.head())
-    except Exception as e:
-        print(f"Error: {e}")