3. 案例采集与原始数据清洗

盘口案例标签库的质量，首先取决于“原料”的质量。如果采集范围定义不清、抽样策略随意、清洗规则缺失，后续的标签体系再精细，也会因为底层数据不可信而失去价值。本节要解决的是标签库建设的第一道工序：明确采什么、怎么抽、怎么洗，最终形成一张字段规范、时间对齐、可直接入库的原始案例表。

一、采集范围：先划边界，再谈数量

历史盘口案例的采集范围需要从三个维度同时界定，缺一不可。

时间维度决定案例覆盖的赛季或时间窗口。建议以完整赛季为基本单位，避免跨赛季截断导致赛制、球队阵容、盘口风格发生结构性变化。例如采集某联赛近三个完整赛季，起止时间精确到开赛日与收官日，并记录赛季标识字段，便于后续按赛季分层分析。

赛事维度决定纳入哪些比赛。需要明确联赛层级（顶级联赛、次级联赛）、赛事类型（联赛、杯赛、洲际赛事）以及是否包含附加赛、保级附加赛等特殊赛制。不同赛事类型的盘口行为差异显著，混采而不标注赛事类型，会在标签阶段造成混淆。

盘口维度决定采集哪些盘口数据。至少应覆盖赛前初盘、赛前终盘、滚球盘三个时点，并记录盘口类型（亚洲让球盘、欧洲赔率、大小球）。若标签体系涉及特定盘口形态，还需采集对应盘口的完整变化序列，而非仅取首末两点。

二、抽样策略：全量优先，分层抽样兜底

如果数据获取成本可控，优先采用全量采集。全量数据的优势在于不存在抽样偏差，标签分布更接近真实盘口生态。但在数据量大、人工标注成本高的情况下，需要设计合理的抽样策略。

推荐使用分层抽样：先按联赛、赛季、盘口类型、赛果方向等维度分层，再在各层内按比例或固定数量抽取。分层的关键是让稀有但重要的盘口形态不被淹没。例如“深盘逆转”类案例在总体中占比很低，若纯随机抽样可能只抽到个位数，无法支撑标签训练。此时应对该类案例设置最低抽样配额，保证每个标签方向都有足够的样本支撑。

抽样完成后，必须保留抽样日志：记录抽样框、分层变量、各层样本量、随机种子或抽样规则。这份日志是后续复核和扩样的依据，也是判断样本代表性的基础。

三、清洗任务：缺失值、异常值与时间对齐

原始采集数据几乎不可能直接入库，三类清洗任务必须逐项完成。

缺失值处理需要先区分缺失类型。盘口数据缺失常见于：初盘未开出、终盘时间点未记录、滚球数据中断、赛果字段为空。处理原则是“能补则补，不能补则标记，不轻易删除”。初盘缺失可尝试从备用数据源回补，并记录回补来源；无法回补的，保留空值并增加“初盘缺失”标记字段，而不是直接丢弃整条案例。赛果缺失属于致命缺失，应单独列出待核清单，核实后再决定是否纳入。

异常值识别要结合盘口业务逻辑，而非单纯依赖统计阈值。常见异常包括：赔率明显偏离市场区间（如欧洲赔率低于1.01或高于50）、让球盘口跳跃超过合理档位、同一时点出现互相矛盾的盘口记录、时间戳早于比赛开始却标记为滚球数据。识别出异常后，先回溯原始记录判断是录入错误还是真实极端盘口。录入错误应修正或剔除；真实极端盘口应保留，但增加“极端盘口”标记，供标签阶段单独处理。

时间对齐是盘口案例最容易出问题的环节。不同数据源的时区、时间精度、记录时点可能不一致。清洗时必须统一到同一时区（建议统一为比赛所在地时区或UTC，并在字段中注明），并将所有盘口记录对齐到“距开赛时间”的相对时间轴。例如将“赛前24小时”“赛前6小时”“开赛时刻”“赛中第30分钟”作为标准时间锚点，把原始时间戳映射到最近锚点或插值到锚点。时间对齐后，同一案例的盘口变化序列才具备可比性。

四、形成可入库的原始案例表

清洗完成后，需要将数据组织成结构化的原始案例表。这张表的核心设计原则是：一行一个案例，字段可追溯，标记不覆盖原始值。

建议的字段结构包括：案例唯一标识、赛季与联赛标识、赛事类型、比赛双方、开赛时间（统一时区）、各时间锚点的盘口记录（初盘、终盘、滚球关键时点）、赛果字段、缺失标记字段、异常标记字段、数据来源字段、清洗版本号。其中盘口记录建议以结构化子表或序列化字段保存，保留原始数值和对应时间戳，而不是只存一个汇总值。

需要特别强调的是“标记不覆盖”原则。清洗过程中发现的缺失、异常、回补来源，都应作为独立标记字段保留，而不是直接修改原始数值。这样在标签阶段可以按标记筛选案例，也可以回溯清洗决策，避免“洗着洗着把真实信息洗没了”。

下面给出一份可直接参考的清洗检查清单，用于每批数据入库前的自检：

完成上述工作后，得到的原始案例表应满足：采集范围有文档、抽样过程有日志、清洗决策有标记、时间轴可对齐、字段可追溯。这张表是后续标签体系建设的唯一数据底座，它的规范性直接决定了标签库能否稳定扩展。在实际操作中，建议先用一个小批次（例如一个赛季的某一联赛）完整跑通采集、抽样、清洗、入库全流程，验证字段设计和清洗规则，再逐步扩量，避免一次性大规模采集后才发现口径问题而返工。