彩票数据工程与特征体系（lottery-data-engineering）

功能定位

S1 · 数据底座。构建「采集—校验—治理—特征—可视化」一体化的标准化数据底座，为全部下游分析（随机性检验、基准判决、建模、报告）提供干净、口径一致、可溯源的输入。属"原料与信息"层，不产出任何研究结论。

【触发关键词】 建立彩种历史库、彩票数据清洗、开奖数据治理、号码特征生成、遗漏统计、频率统计、跨度连号同尾、特征矩阵、数据质量报告、多源校验、彩种数据库、批量特征工程

适用场景

• 需要建立/维护任意彩种的标准化历史数据库（期号连续、号码合法、口径统一）；
• 需要从原始号码批量生成分析特征（单号层/组合层/时序层三层）；
• 需要为下游分析提供无需二次清洗、可直接消费的输入数据；
• 需要输出频率/遗漏/和值/相关性热力图等标准图表（叠加随机基线）。

输入（参数表）

| 参数 | 必填 | 说明 | |------|------|------| | 数据源 | 是 | 官方开奖数据源（遵守 robots.txt 与访问频率；优先官方接口/公告页） | | 彩种规则 | 是 | 目标彩种规则定义（选号结构/开奖号码个数/区段），由 S4 规则知识库提供 | | 特征字典 | 否 | 需要生成的特征清单；缺省为三层默认特征集 | | 可视化开关 | 否 | 是否输出标准图表（默认输出） |

处理流程

1. 采集：确定数据源与访问规范，编写采集脚本；raw 层留存原始报文，记录时间戳与来源。
2. 治理：多源交叉校验 + 异常/缺失检测；统一口径（前区/后区、号码升序、日期格式）；清洗为 clean 层并版本化。
3. 特征工程：按特征字典批量生成三层特征——
   • 单号层：频率、遗漏（当前遗漏/平均遗漏/最大遗漏）；
   • 组合层：跨度、连号、同尾、和值、奇偶比、区间比、同余；
   • 时序层：滚动统计、差值序列、位置序相关。
   • 对高度相关特征做去冗余，记录特征字典。
4. 可视化：频率/遗漏/和值/相关热力图，叠加随机基线便于对照。

输出与验收

• 输出：标准化 clean 数据库 + 特征矩阵 + 标准图表 + 数据质量报告。
• 验收清单：✅ 数据校验通过率 100%（期号连续、号码合法、无重复、无缺失）；✅ 特征与手工抽样比对一致；✅ 口径定义显式可查；✅ 下游可直接消费，无需二次清洗。

职责边界（不做什么）

• ❌ 不做统计检验与规律发现（归 S2 随机性检验 / S3 基准判决）；
• ❌ 不做彩种规则概率对照表建模（归 S4）；
• ❌ 不做时间序列/深度学习等建模与因果探索（归 S5）。

红线与合规

• 开奖数据必须来自真实可查来源，禁止编造、估算或手工补号；
• 数据来源与访问须遵守 robots.txt、版权与网站使用条款；
• 本技能产物为数据与研究中间件，本身不含中奖承诺或投注建议。