本工具提供从Kaggle获取时间序列数据集到数据标注平台（data.smlcrm.com）的完整端到端工作流，专为能源、制造和气候领域的时序数据准备与标注而设计。用户可通过浏览器或Kaggle CLI下载原始CSV文件后，使用自动化脚本对数据进行清洗处理，包括去除重复值、填补缺失值、标准化列名及时间格式转换等操作，确保数据质量符合后续分析要求。清洗完成后，系统支持将原始数据和清洗后的版本上传至标注平台，并允许用户为每列配置元数据信息，如数据类型（时间、目标变量、协变量或分组标签）和单位（如kWh、tCO2、%等），从而为机器学习模型训练提供结构化输入。整个流程强调标准化与可复现性，适用于需要高质量标注数据支撑预测建模的场景。
核心功能特点
- 支持从Kaggle批量下载能源、制造、气候类时间序列数据集
- 内置Python/pandas清洗脚本，自动处理缺失值、重复行与格式问题
- 提供RAW与CLEAN双阶段上传机制，保障数据可追溯性
- 可视化配置列类型（时间/目标/协变量/分组）及单位信息
- 批量分配多维度分组标签（如WeekStatus、Day_of_week、Load_Type）至所有相关变量
- 最终生成标记为CLEAN状态的数据集，可直接用于建模
适用场景
该工具特别适合从事工业能耗监控、智能制造优化或环境监测研究的数据科学家与工程师。例如，在钢铁行业能效分析中，研究人员可从Kaggle下载韩国钢厂用电量数据集，利用清洗脚本统一时间戳并填补设备运行记录中的空值；随后在标注平台上将‘Usage_kWh’设为预测目标，其余电气参数作为协变量，并为所有变量打上周状态、星期几和负载类型等分组标签，以便后续按不同工况进行分层建模。类似地，气候领域的研究者可将CO2排放数据按季节或地理区域分组，提升回归模型的解释力。对于制造业客户而言，此流程能快速构建可用于异常检测、预测维护或绿色生产评估的标注数据集，显著缩短从原始数据到可用资产的时间周期。