Kaggle Notebook 怎么用：添加数据、运行、保存与排错

Notebook 是代码、数据与运行环境的组合

Kaggle Notebook 是在云端运行代码并组织分析的工作区。Jupyter Notebook 由代码和 Markdown 单元格组成，Script 按文件顺序执行；创建与类型选项见官方 Notebook 文档。第一次使用先完成一个能从头运行的小任务，再扩大数据与模型规模。

还没有数据时，先读数据集选择与下载；还不清楚平台对象时，先读认识 Kaggle。本文解释操作与排错，模型选择和实验改动可以继续看项目工作流。

创建 Notebook 后，先检查这四处

位置	要确认什么	最小检查
Input	已添加的数据源、文件与版本	找到本次需要的一个文件
Session options	语言、加速器、网络与环境设置	选择与本场规则和任务一致的配置
代码单元格	数据、配置、预处理与模型的依赖顺序	从第一格开始运行，不依赖旧变量
Output / 保存版本	实际生成的文件、日志与完整运行状态	确认输出存在且版本可重新执行

只阅读数据页不会自动把文件加入当前 Notebook。使用 Input 的添加入口选择允许使用的数据源，再查看实际挂载目录。代码里出现的路径必须来自本次环境，不能直接照搬他人的电脑路径。

先列路径，再读取数据

下面列出输入目录的第一层内容，帮助区分数据源名称和具体文件。找到目标文件后，用它的实际路径替换占位路径：

from pathlib import Path
import pandas as pd

input_root = Path("/kaggle/input")
print([path.name for path in input_root.iterdir()])
# 将占位路径替换为当前 Input 中真实存在的文件。
csv_path = input_root / "your-dataset" / "train.csv"
sample = pd.read_csv(csv_path, nrows=100)
print(sample.shape)
print(sample.dtypes)

输入数据通常用于读取，自己的中间结果和输出放在 /kaggle/working。若出现权限错误，不修改输入文件；从读取的数据生成新文件。网络下载、外部数据与依赖安装是否允许，仍要按本场规则和当前会话配置确认。

公开方法练习：先跑通 Pipeline，再迁移到赛题

scikit-learn 分类器比较示例由 scikit-learn developers 维护，采用 BSD-3-Clause。它使用合成数据、训练测试划分和 Pipeline 比较方法，适合理解预处理应在哪里拟合。

下面是依据这些方法组织的教学练习。先用 scikit-learn 内置的公开 Iris 数据检查运行环境，不需要下载或上传私人文件；再按下文切换到已挂载的 Kaggle Iris CSV。两条数据来源分别记录，不能因为都叫 Iris 就假定版本和行顺序相同。

完整示例使用 120 行训练、30 行留出验证，对比常数基线、有标准化的逻辑回归和不标准化的逻辑回归。预处理放在 Pipeline 内，只在训练集拟合。代码需 Pandas 与 scikit-learn；在 Kaggle 中输出到 working，在本地则输出到当前目录的 iris-output：

# iris-baseline-example
from pathlib import Path
from time import perf_counter
import pandas as pd
import sklearn
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.dummy import DummyClassifier
from sklearn.metrics import accuracy_score, confusion_matrix

print("版本：", {"numpy": np.__version__, "pandas": pd.__version__,
                 "scikit-learn": sklearn.__version__})
X, y = load_iris(return_X_y=True, as_frame=True)
data_source = "scikit-learn load_iris"
# 使用挂载 CSV 时，用下一节的读取代码替换上面两行。
X_train, X_valid, y_train, y_valid = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)
models = {
    "constant": DummyClassifier(strategy="most_frequent"),
    "scaled_logistic": make_pipeline(
        StandardScaler(), LogisticRegression(max_iter=200)
    ),
    "unscaled_logistic": LogisticRegression(max_iter=200),
}
output = Path("/kaggle/working") if Path("/kaggle/working").is_dir() else Path("iris-output")
output.mkdir(parents=True, exist_ok=True)
summary = []
for name, model in models.items():
    started = perf_counter()
    model.fit(X_train, y_train)
    fit_seconds = perf_counter() - started
    started = perf_counter()
    prediction = model.predict(X_valid)
    predict_seconds = perf_counter() - started
    summary.append({
        "model": name, "accuracy": accuracy_score(y_valid, prediction),
        "fit_seconds": fit_seconds, "predict_seconds": predict_seconds,
        "train_rows": len(X_train), "valid_rows": len(X_valid),
        "data_source": data_source, "seed": 42,
    })
    pd.DataFrame({"source_row": X_valid.index, "actual": y_valid.to_numpy(),
                  "prediction": prediction}).to_csv(output / f"{name}-validation.csv", index=False)
    print(name, "混淆矩阵：", confusion_matrix(y_valid, prediction).tolist())
pd.DataFrame(summary).to_csv(output / "validation-summary.csv", index=False)
print(pd.DataFrame(summary).to_string(index=False))
print("输出：", sorted(path.name for path in output.glob("*.csv")))

切换到 Input 中的公开 Iris CSV

先完成下载与字段检查，在 Input 添加公开 uciml/iris。把以下代码放到示例的划分步骤之前，替换 load_iris 和 data_source 两行。若挂载了多个同名文件，先确认目标，避免默默读取错误版本：

paths = list(Path("/kaggle/input").rglob("Iris.csv"))
if len(paths) != 1:
    raise ValueError(f"需要确认唯一的 Iris.csv，当前找到 {len(paths)} 个")
data = pd.read_csv(paths[0])
features = ["SepalLengthCm", "SepalWidthCm", "PetalLengthCm", "PetalWidthCm"]
if not set(features + ["Species"]).issubset(data.columns):
    raise ValueError("文件字段不符，回到 Input 核对数据源和版本")
X = data[features]
y = data["Species"]
if X.isna().any().any() or y.isna().any():
    raise ValueError("存在空值，先排查，再选择处理方式")
data_source = "Kaggle uciml/iris CSV；版本请按当前 Input 记录"

运行后应该看到什么？

2026-10-02 在本地 CPU、Python 3.10.16、NumPy 1.26.4、Pandas 2.2.3、scikit-learn 1.6.0 中执行上面的内置数据分支，得到以下结果。Kaggle 云端、CLI 下载和挂载 CSV 分支没有由这次本地运行验证；其结果需在当前环境重新检查。

检查项	本次内置数据运行结果	你应该检查什么
划分	120 行训练、30 行验证，4 个特征	数据来源、行列数、标签分布与种子
常数基线	10/30 正确，accuracy 0.3333	复杂方法是否优于简单基线
标准化逻辑回归	28/30 正确，accuracy 0.9333	混淆矩阵和两条错误样本
不标准化逻辑回归	29/30 正确，accuracy 0.9667	同一验证集上只比较标准化这一条件
Output	一份 summary，三份 validation CSV	summary 有三行；每份预测有 30 行且包含实际标签与预测

这里只相差一条样本，不能据此断定标准化没有价值，或用这次留出验证挑出“普遍最佳模型”。继续研究时先固定评价协议，再比较多次划分或交叉验证。CSV 是学习验证结果，不是任何比赛的 submission.csv。

完成后检查 scaled_logistic-validation.csv 中 actual != prediction 的行，说明错误涉及哪些类别。保存一份环境与数据来源记录，再进入 Save & Run All；版本界面的完整成功状态需要另行核对。希望解释一次差异，可以继续读复现实例与对照记录。

Quick Save 与 Save & Run All 怎么选

官方文档说明：Quick Save 保存编辑器当前状态，不从头执行 Notebook；Save & Run All 创建干净会话，从上到下运行完整 Notebook。探索时可以保存草稿，准备分享、形成项目记录或进入代码赛提交流程时，应检查完整运行版本。

完整版本至少确认：输入版本固定、依赖可获得、随机种子和配置记录、所有单元格成功、输出文件存在、日志没有秘密信息。编辑会话里“刚刚运行成功”和保存版本“从头运行成功”是两个检查点。

若准备参赛，按参赛检查表核对样本标识、列名、行数、输出路径与代码赛限制。运行成功仍不等于平台已经接受了一次有效提交。

常见错误，从第一条报错开始排查

现象	常见原因	检查动作
FileNotFoundError	数据没挂载、目录或大小写不同	对照 Input 和实际文件列表
NameError / 单格成功、整本失败	单元格乱序或依赖旧会话变量	重新启动，从第一格依次运行
ModuleNotFoundError	环境或依赖未声明	记录版本，按允许的方式补依赖，再完整重跑
PermissionError	试图写入输入目录	将自己的输出写入 working 目录
内存不足 / 会话超时	全量读取、大型中间数组或运行范围过大	先缩小样本、列和模型；实测耗时及内存
网络请求失败	会话设置、网络服务或比赛限制	先核对允许条件，再看错误与日志
Output 没有文件	写入路径不对或保存版本未完整执行	检查生成路径、日志和当前版本

资源配额与硬件可用性会变化，不把旧截图的 GPU 型号、运行时长或剩余额度当作当前承诺。普通电脑起步可以参考CPU 项目指南。

完成一次运行后，留下可复查记录

记录来源、数据版本、环境、配置、验证方法、输出说明和一次失败原因。希望学习他人的方案时，按公开方案复现指南区分原方法、自己的复现与新增实验。

先自行完成一次干净重跑，再决定需要讨论数据、运行环境还是验证设计。描述具体报错和最小复现步骤，比只提供“代码跑不了”更容易定位问题；公开分享前删除凭据与私人信息。