📌 清理记录要能回答「哪些行被剔除、依据是什么」。保留下来的原始 G0 数值保持不变；需要调整，就另建变量。

🧪 AdjG0 另起一列，再让两个模型比一比

原始列留住以后，Feature Engineering 这一栏就有了发挥空间。rubric 在 Credit 那档点名了 AdjG0、quadratic features 和 interaction terms，而 Fail 那档写的是模型只依赖原始列。那么这里要做的，就是在原始列旁边加几列有生理理由的新特征。

💡 这里有个细节要留意：AdjG0 的具体公式要按正式项目说明和数据字典来定，光从名字猜很容易猜错。定好以后，在特征字典里写清它由 G0 经过什么规则得到、对应哪个 research question，组里其他人翻到这一行也能看懂。

接下来建模可以这样排：

1. 先用原始变量拟合一个 baseline model，放进 G0、进餐时间、葡萄糖摄入速率、禁食时长和运动强度，运动强度用 dummy 编码。
2. 然后在同一批行上拟合 extended model，加入 AdjG0、平方项或交互项。
3. 📊 最后把两个模型的 adjusted R²、condition number 和残差放进一张表里对照。

说到这里，只读的好处就很直观了。比如某组把 G0 截断后覆盖了原列，之后即使给列换个名字，也无法从那张表里恢复原始基线。两种处理方式的差异因此无法核查。rubric 在 Distinction 那档写的正是比较 baseline 与 advanced models，再评估 R² 增益和 condition number，要检查调整带来的变化，就得留下原始列。

🎤 presentation 问答：每个人都能讲清 G0 做过什么

G0 的处理方式在 presentation 里还会再出现一次。Technical Mastery 这一栏要求讲清 AdjG0、多项式这些特征怎样构造；Q&A 那一栏则把回答不了基础技术问题写进了 Fail 描述。

比如现场被问到「你们的 G0 做过什么处理」，如果组里只有写代码的那个人说得清，其他人就很被动。原始列和调整列都在表里的时候，谁都可以指着两列来回答，也更容易讲清调整到底带来了什么变化。所以上台前，可以让每个组员都过一遍下面几条：

• 说出清理时删了哪些行，如果使用上面的练习数据，可以说「3 行，两处缺失加一处负的禁食时长」
• 说出 AdjG0 由什么规则得到、对应哪个 research question
• 指着对照表讲清 extended model 比 baseline 多解释了多少

✅ 一行 assert，现场自证原始值没动

收尾的动作特别省事。清理和特征构造都跑完以后，在 notebook 里加一行断言，拿保留下来的 G0_mg_dL 和读表时复制的 original_g0 逐行比较：

assert usable["G0_mg_dL"].equals(original_g0.loc[usable.index])

跑通就说明原始值没被覆盖；哪天有人不小心改回了 clip 写法，这一行会直接报错，你当场就能发现。当然，它只证明 G0 没被改动，删行规则本身的理由，还要在审计记录里单独写清。

🔁 把这行 assert 放进生成结果的那次 notebook 运行，并保留剔除记录。组员在报告和展示里就能指出原值、调整值与模型结果各从哪里来。