Python

分别查训练集与测试集的编号交集、规范化内容哈希交集，导出命中对和标签冲突；给出完整代码，并说明近似重复与相关样本泄漏仍需另外核查。

用 pandas 交叉表对照预先定义的人群与标签，定位空组和零样本组合；给出可运行代码、计数核对与补采判断，说明数据覆盖不能直接证明模型公平性。

从人工用户评分表计算物品协同过滤，过滤已评分课程，处理无共同评分、新用户和新物品，并明确均分兜底与评估限制。

按预测时点构造 lag_1、lag_7，使用顺序验证与独立留出段比较模型、上一日及七日前基线，区分一步与多步预测。

用 JSONL 逐行迭代、HashingVectorizer 固定稀疏特征和 SGDClassifier partial_fit 分批训练文档分类器，核对首次全类别与内存边界。

用字符 TF-IDF 和逻辑回归跑通中文评论正负分类，逐句检查手工小样本、否定句误判与词表外输入，说明业务评测边界。

用固定开发集的学习曲线比较训练、验证分数和折间波动，判断继续加数据、限制模型容量或查标签的优先级，保留最终测试集。

用 Bandit 扫描 AI 生成的 Python，定位 eval 与 shell=True，读取严重程度及置信度；按明确需求替换危险调用、复扫并核对输入和路径边界。

用 Ruff 检查 AI 生成的 Python 草稿，定位 F401、F821 与导入排序问题；保存报告、人工修复后复扫，并用功能样例区分静态通过与业务正确。

用 skl2onnx 把含标准化的 sklearn 分类管道转为 ONNX，保留类别顺序，在同一输入上比较标签与概率，并排查预处理、类型和输出格式问题。