标准化没有看测试标签，为什么仍可能泄漏测试信息
即使完全没看测试标签，标准化仍可能泄漏：训练均值、分位点或填补值若由测试特征参与拟合，就已经把未来的分布信息带入了模型。解决办法是逐步保存参数由哪些行、哪个处理阶段拟合，再固定参数变换测试数据；仅记录一个train_only开关不够。
八行特征和三条处理路径
本例构造一列无量纲特征，前五行为训练，第六至八行为后续测试。原始值依次为1、缺失、3、9、100、缺失、200、300。不存在标签列，因此后面出现的参数差异不可能归因于偷看测试标签。缺失由None表示，不与数值零混用。三条路径分别是正确训练拟合、错误全八行拟合，以及仍只用训练但改变分位点拟合顺序的对照。
正确路径先以训练非缺失值求中位数，再填补训练和测试；随后在填补后的训练向量拟合百分之二十与八十分位点，将两边都截到该区间；最后在截断后的训练值拟合均值和总体标准差。测试始终只接受transform，不回写任何参数。分位点采用排序位置(n-1)q的线性插值，标准差分母用n，全部算完才为表格舍入。
| 路径 | 拟合行 | 填补中位数 | 下分位点 | 上分位点 | 截断后均值 | 总体尺度 |
|---|---|---|---|---|---|---|
| train_only | [1, 2, 3, 4, 5] | 6 | 2.6 | 27.2 | 9.56 | 9.11736804 |
| wrong_all | [1, 2, 3, 4, 5, 6, 7, 8] | 54.5 | 5.4 | 160 | 68.6 | 60.86063999 |
| order_change | [1, 2, 3, 4, 5] | 6 | 2.2 | 45.4 | 13.12 | 16.31764689 |
参数血缘不能只写一个日期范围
正确路径的中位数来自原始训练非缺失向量[1,3,9,100]，结果为6；填补后训练向量[1,6,3,9,100]重新排序，分位点为2.6与27.2。截断后得到[2.6,6,3,9,27.2]，它的均值为9.56，总体尺度约9.11736804。这个顺序意味着后一个参数不仅依赖训练行号，还依赖前一步的中位数和截断定义。
可以把血缘写成四段有向关系：原始训练非缺失行指向中位数，中位数与原始训练行共同指向填补结果，填补训练结果指向上下分位点，截断训练结果指向均值和尺度。测试原始行只指向测试填补、测试截断与测试缩放结果，没有任何反向箭头回到拟合节点。没有画图软件也能按这个箭头清单核查，每一个fit节点都应附输入身份和上游参数版本。
训练拟合路径逐行结果：
| 行 | 原始 | 填补后 | 截断后 | 缩放z |
|---|---|---|---|---|
| 1 | 1 | 1 | 2.6 | -0.7633782 |
| 2 | 空（null） | 6 | 6 | -0.39046356 |
| 3 | 3 | 3 | 3 | -0.71950589 |
| 4 | 9 | 9 | 9 | -0.06142123 |
| 5 | 100 | 100 | 27.2 | 1.93476889 |
| 6 | 空（null） | 6 | 6 | -0.39046356 |
| 7 | 200 | 200 | 27.2 | 1.93476889 |
| 8 | 300 | 300 | 27.2 | 1.93476889 |
错误全样本路径逐行结果：
| 行 | 原始 | 填补后 | 截断后 | 缩放z |
|---|---|---|---|---|
| 1 | 1 | 1 | 5.4 | -1.03843798 |
| 2 | 空（null） | 54.5 | 54.5 | -0.23167683 |
| 3 | 3 | 3 | 5.4 | -1.03843798 |
| 4 | 9 | 9 | 9 | -0.97928645 |
| 5 | 100 | 100 | 100 | 0.51593279 |
| 6 | 空（null） | 54.5 | 54.5 | -0.23167683 |
| 7 | 200 | 200 | 160 | 1.50179163 |
| 8 | 300 | 300 | 160 | 1.50179163 |
先对观测值拟合截断点的顺序对照逐行结果：
| 行 | 原始 | 填补后 | 截断后 | 缩放z |
|---|---|---|---|---|
| 1 | 1 | 1 | 2.2 | -0.66921414 |
| 2 | 空（null） | 6 | 6 | -0.43633742 |
| 3 | 3 | 3 | 3 | -0.62018746 |
| 4 | 9 | 9 | 9 | -0.25248739 |
| 5 | 100 | 100 | 45.4 | 1.97822641 |
| 6 | 空（null） | 6 | 6 | -0.43633742 |
| 7 | 200 | 200 | 45.4 | 1.97822641 |
| 8 | 300 | 300 | 45.4 | 1.97822641 |
没有标签的全样本处理为何仍不合法
错误路径把测试中的200、300放进中位数拟合，使填补值从6变为54.5；全样本上下分位点变成5.4和160，均值变为68.6，尺度约60.86063999。第六行本来缺失，同一行经过不同历史定义得到不同z；第七、八行本来很高，在正确路径中都被训练上限截住，错误路径则借助它们自己的分布把上限向外推。
这些变化不保证每次都让回测更好，有时也会让成绩变差。泄漏的判定看信息是否可得，不能看结果是否漂亮。某个模型对整体线性缩放恰好不敏感，也不能为全样本填补和非线性截断开脱；参数本身已经越界，换模型或缺失结构后后果会变。本文没有训练分类器，因此也不声称这些z变化能提高多少准确率。
条件对照order_change仍只使用训练行，却先对原始非缺失值拟合分位点，再按中位数填补。它得到2.2与45.4，尺度约16.31764689，与正确路径不同。这条路径不是测试泄漏，而是另一套预处理定义；如果事前就冻结，并在所有折一致执行，可以作为候选流程。不能把所有数值差异统称泄漏，也不能把两种顺序的参数互相拼接使用。
如何把核对落实到每次fit
开始一折前，保存原始数据版本和训练、验证、测试行身份。拟合填补器时输出参与计算的非缺失行，拟合截断器时说明用的是填补前还是填补后向量，拟合缩放器时标明总体或样本标准差。随后保存完整参数对象供后续transform使用，而不是在预测函数里临时调用均值。每条预测还要保存所用参数对象的身份，才能追到当时的训练边界。
如果一折训练全部缺失，中位数不存在；如果截断后所有训练值相等，尺度为零。遇到这些输入应预先定义拒绝该特征、输出固定零并另加缺失标记等政策，不能把除零变成NaN一路传下去。当前八行没有触发零尺度，模型在尺度为零时将z写为null，明确表示未定义，读者不能把它当作正常缩放结果。更换缺失政策时，旧折和新折要各自保留版本。
滚动研究中的“到今天重新fit”也是一次新模型。过去预测必须继续引用当时参数，不能用今天更新后的均值回写历史，再称它为历史实时预测。若财务数据后来修订，训练边界正确仍不等于原始数据当时可得，应另存发布时点和修订版本。这份血缘表覆盖的是预处理层，不能替代数据源的时点审计。
方法来源支持到哪一步
scikit-learn预处理与泄漏说明支持先划分、仅训练fit、后续使用相同transform的做法，涉及StandardScaler、SimpleImputer等变换。本文没有调用这些库；线性分位点、截断顺序和八行输出均由明示公式自算。原文不能为本例的分位比例背书，更不能证明处理后的特征有投资价值。把参数血缘交完整，是为了让下一位复核者能从原始八行重建每一步，而不是只相信最终一列看起来正常的数字。
怎样辨认参数版本串用
同样的训练起止日也可能对应不同参数版本，因为缺失政策、分位点插值和先后顺序都能改变结果。因此参数对象至少保存步骤名、上游对象身份、参与行身份、公式口径及输出值。若测试第七行使用训练中位数，却误搭全样本截断上限，最终z可能落在看似正常的区间，单靠检查有限数值无法发现。复核应逐节点验证来源，而不是只验证最终特征没有缺失。可以取第六行缺失样本作为追踪探针：它的填补值最直接暴露参数来自哪一侧，也容易检查缓存对象是否被后续折覆盖。
继续核对研究流程时，可回到时序交叉验证母题；遇到相邻任务，再分别查看面板数据gap按日期切分、嵌套时间序列验证调参。本文的滚动验证工具链接仅作基础流程说明，新增审计和统计计算由本页独立表格与模型交付。
道积君编辑组，AI辅助编写与核算。本文为构造教学实验，来源说明方法，数字由明示输入计算，不代表真实策略、收益预测或统计审定。
复算资料
本篇编号DJ4-058。下载Python复算脚本（文本）与构造输入输出JSON，按编号核对本篇。脚本改存为.py后可用Python标准库运行，数据不是实际用户记录。