简介：2020年美赛C题参赛队伍的全过程资料，来自一支真实队伍，完整覆盖题目原文与翻译、论文终稿、建模代码、数据文件及中英文参考文献。适合备战美赛或数学建模竞赛的选手，特别是有一定基础、想参考完整实战流程的团队。压缩包含136个文件，共70.82MB，主要类型包括csv/tsv数据表、docx/pdf论文文献、r/m等分析代码、rdata/mat数据对象、png/jpg图表，以及caj文献等。csv与tsv多为建模所需数据，docx与pdf为论文写作与文献参考，r与m脚本可复现分析过程，整体结构较杂但原始信息保留完整。目前已有2227人学习下载。虽然上传者坦言未做精细整理，但论文终稿、原始数据、代码和参考文献一应俱全，便于读者按需取用，既能学习C题解题思路，也能借鉴论文写作与竞赛组织方法。

1. 2020美赛C题资料包：一份能照着重跑一遍的“数据题作战记录”

这个zip包的核心是三样东西：做题经历、赛题相关资料、论文最终成稿。说白了，它把一个参赛团队从拿到赛题到提交论文的完整过程打包了。对准备参加美赛的人而言，最有价值的不是那份最终论文本身，而是“做题经历”里暴露出来的时间分配和决策过程。2020美赛C题是典型的数据题，数据量大、题目开放、没有标准答案，新手最容易在“该读数据还是该读论文”之间犹豫，然后一路犹豫到第4天晚上。这份资料适合三类人：第一次参赛、想提前知道数据题真实消耗的新手；比完赛想复盘自己决策的选手；以及想学习数据建模论文怎么写结果表、怎么写摘要的同学。

2. 看懂C题本质先：数据题的破题节奏和选题方向判断

2.1 为什么C题让很多人“第4天才开始慌”：数据题和A/B题的节奏差异

美赛的A题通常是物理/微分方程建模题，B题多为运筹/离散题，C题则是一道“数据洞察题”。C题的特征是一上来就给你一堆真实数据文件，可能几十万行，可能是统计年鉴式的面板数据，问题是高度开放的——它不会告诉你“请用XX模型”，而是让你从数据里发现规律、回答问题、给出决策建议。

很多队伍按A题的习惯，拿到题先翻课本找模型，翻了半天发现题目根本没有标准形式。这就是C题反直觉的地方：它不是一道数学题，而是一道“用数据讲一个可信故事”的题。故事的骨架是数据清洗、特征分析、模型建立和结论验证，数学只是工具，不是目的。

数据题的破题节奏和A/B题完全不一样。常见做法是第一天不要急着建模，先花半天把数据文件全部读一遍，搞清楚每个文件是什么、行数多少、哪些字段能对上。第二天做清洗和特征分析，第三天建模和敏感性分析，第四天全力写论文。这个节奏我见过很多队伍用，核心思路是在前两天下重注，把数据基础打牢，后面写论文才不会卡壳。

2.2 拿到赛题资料后的第一件事：先摸清数据再谈模型，EDA该看什么

有经验的团队拿到C题资料包后，第一件事永远是“读数据”，不是什么高深的东西，就是打开每个CSV看一眼表头、行数、缺失值。这一步叫EDA，探索性数据分析。对于2020美赛C题这类数据题，EDA至少要回答四个问题：数据覆盖的时间范围是什么？单位是什么？哪些字段缺失严重？哪些字段之间存在明显相关性？

很多队伍跳过了EDA直接上模型，结果是最容易在答辩或者论文里被质疑：你用的这个特征来自哪个表？数据口径是什么？这类问题在美赛论文评委那边是硬伤。EDA阶段所有结论都要留痕——画图、存表、写注释，这些都会成为后面论文里的“数据探索”章节素材。

EDA的具体动作一般是：先看shape和dtypes，再看缺失值比例，再看每列的描述性统计，最后画相关性热力图。这一步产出三样东西：一份数据说明文档、一张特征相关性图、一套可复现的数据清洗脚本。有了这三样，后面建模才不虚。

2.3 数据题的模型选型逻辑：不要神化机器学习，用“说得清”的模型赢

C题论文的评委打分，很大权重在“你的模型是否清晰回答了题目问题”。机器学习模型当然可以用，但一个黑匣子的随机森林预测，如果讲不清特征含义，分数往往不如一个结构清晰的线性回归或评价模型。

我一般会建议，模型选型的优先级是：能解释大于能预测。如果题目问的是“哪些因素影响某指标”，就用回归或相关性分析；如果题目问的是“对对象排序或分类”，就用层次分析、综合评价或分类模型；如果题目明确要求预测，才上树模型或神经网络。选模型时还要考虑数据量，几十万行可以训随机森林，几千行就不要硬上深度学习。

敏感性分析是C题一个几乎必做的环节。它的作用是在论文里告诉评委：我的结论不是只在某个参数取值下才成立。做法很简单，把模型里的某个参数扰动一下，看输出结果的变化幅度，变化不大就说明模型稳定。这个分析在论文里占不了多少篇幅，但能显著提升可信度。

2.4 做题经历的复盘价值：从时间线看一场比赛的真实消耗

这套zip包里的“做题经历”部分，最有看头的是时间线。真实的美赛过程不是四天均匀发力，而是前两天摸鱼、第3天开始慌、第4天通宵的偏态分布。复盘记录里如果能看到每一天实际干成了什么、哪些事情计划了没做，比看100篇获奖论文都有用。

一个健康的时间线大致长这样：第1天上午读题读数据，下午完成初步EDA；第2天完成数据清洗和特征工程，晚上跑通baseline模型；第3天模型改进和敏感性分析，同时开始画论文图表；第4天上午写摘要和结论，下午排版、检查、提交。这里的关键判断是“什么时候模型必须停手”，因为数据题永远可以再调一个参数，但论文提交时间不会等你。

这次比赛的具体复盘里，最典型的偏差是：EDA比预期多花了一倍时间，原因是原始数据里有大量缺失值和口径不一致的字段。所以后面章节我会把数据清洗的坑单独拿出来讲。

3. 从赛题资料到最终成稿：数据清洗、建模与论文写作的可复现流程

3.1 把zip包里的资料拆成四层：赛题原文、数据文件、参考论文、你的产出

打开这套资料包，你会发现里面的东西大致能分成四层。第一层是赛题原文和官方数据，这是“原材料”；第二层是参考论文和背景资料，这是“弹药库”；第三层是中间文件，包括清洗后的数据、图表、模型脚本；第四层才是论文最终成稿。这个分层结构本身就是值得学习的——绝大多数队伍比赛结束后，桌面是一团乱麻，而这份资料包在提交后还能被完整复现，说明原作者有整理产出的习惯。

这四层里，最容易被忽略的是第二层参考论文。C题是开放题，读几篇相关文献不仅帮你确认方向，还能给论文里的“文献综述”和“模型选型理由”提供素材。读文献不需要多，精读三到五篇就够，重点看人家怎么处理同类数据、用了什么评价指标。

3.2 数据清洗的可复现套路：一个脚本贯穿始终

C题的数据清洗不是一次性工作，它会伴随整个比赛过程反复运行。所以清洗脚本必须可复现、可修改。下面这段代码是我在数据题里常用的清洗骨架，每次拿到新数据就先套一遍：

import pandas as pd import numpy as np # 读入原始数据，low_memory=False 防止大文件混合类型报错 df = pd.read_csv('raw_data.csv', encoding='utf-8', low_memory=False) # 1. 结构预览：行数列数、字段类型 print(df.shape) print(df.dtypes.value_counts()) # 2. 缺失值统计：超过30%缺失的列直接考虑丢弃 missing_ratio = df.isnull().mean().sort_values(ascending=False) drop_cols = missing_ratio[missing_ratio > 0.3].index print('丢弃列：', list(drop_cols)) df = df.drop(columns=drop_cols) # 3. 数值列中位数填充，类别列众数填充 num_cols = df.select_dtypes(include=[np.number]).columns cat_cols = df.select_dtypes(include=['object']).columns df[num_cols] = df[num_cols].fillna(df[num_cols].median()) df[cat_cols] = df[cat_cols].fillna(df[cat_cols].mode().iloc[0]) # 4. 标准化：对数值列做z-score归一化 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() df_scaled = pd.DataFrame( scaler.fit_transform(df[num_cols]), columns=num_cols ) # 5. 拼接类别列，统一索引后输出 df_final = pd.concat([ df_scaled.reset_index(drop=True), df[cat_cols].reset_index(drop=True) ], axis=1) df_final.to_csv('cleaned_data.csv', index=False) print('清洗完成，剩余{}行{}列'.format(df_final.shape[0], df_final.shape[1]))

这段代码的逻辑说明：先看整体结构，再按缺失率砍列，避免脏数据进模型。数值列用中位数填充，是因为中位数对异常值不敏感，比均值稳妥；类别列用众数填充，是常识性补法。标准化选择StandardScaler，也就是z-score归一化，这在回归类和距离类模型里是必须的，树模型不强制但做了也没坏处。缺失率阈值0.3不是一个固定标准，看数据量调整，行数多时可以更激进。

参数说明：encoding用utf-8，如果遇到读取乱码，换成encoding='gbk'试试。low_memory=False是防止pandas在混合类型列上读取时把类型猜错。reset_index(drop=True)是为了让两个DataFrame在拼接时索引对齐，否则concat会留下大量NaN。

注意：如果原始数据里有“小于5”“N/A”这类文本符号，数值列会被整体读成object。遇到这种情况，先调用pd.to_numeric做强制转换，再套清洗逻辑，否则中位数填充会失败。

3.3 建模型的执行顺序：baseline → 改进 → 敏感性分析 → 结果表

模型这块的执行顺序，我强烈建议按“baseline → 改进 → 敏感性分析 → 结果表”四步走。baseline的意义不是为了拿高分，而是为了尽早跑通流程：数据能读取、特征能进模型、评价指标能算出来。很多队伍卡在“想用太复杂的模型”上，结果第3天还没跑出第一个结果，这就是本末倒置。

from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, mean_squared_error # 读取清洗后的数据 df = pd.read_csv('cleaned_data.csv') # target是EDA阶段确认的预测目标列 X = df.drop(columns=['target']) y = df['target'] # 固定随机种子：论文结果必须可复现 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.25, random_state=2020 ) # baseline用随机森林，树模型能处理非线性关系，且不需要特殊预处理 model = RandomForestRegressor( n_estimators=200, max_depth=8, random_state=2020 ) model.fit(X_train, y_train) pred = model.predict(X_test) # 回归问题用MAE作为主指标，RMSE用MSE开根号得到 mae = mean_absolute_error(y_test, pred) rmse = mean_squared_error(y_test, pred) ** 0.5 print('baseline MAE: {:.4f}'.format(mae)) print('baseline RMSE: {:.4f}'.format(rmse)) # 特征重要性排序，写论文时直接引用 importance = sorted( zip(X.columns, model.feature_importances_), key=lambda x: x[1], reverse=True ) for name, score in importance[:5]: print(f'{name}: {score:.4f}') # 敏感性分析：给特征加5%扰动，看MAE变化幅度 for col in X.columns[:3]: X_perturbed = X_test.copy() X_perturbed[col] = X_perturbed[col] * 1.05 pred_perturbed = model.predict(X_perturbed) delta = abs( mean_absolute_error(y_test, pred_perturbed) - mae ) print(f'{col} 扰动5%后MAE变化：{delta:.4f}')

随机种子固定为2020，保证任何人重跑都能得到相同结果，这是论文可复现性的基础。随机森林作为baseline，是因为它不需要对特征做复杂的归一化，且能给出特征重要性，方便写论文。敏感性分析只对前三个特征做扰动，这是故意的——论文里的敏感性分析表格不需要覆盖所有特征，挑最有代表性的三个就能说明模型稳定性。

树数量n_estimators设200是平衡训练时间和精度的经验值，超过200后精度提升非常有限，但耗时明显增加。max_depth设8是为了限制单棵树复杂度，避免过拟合，同时保持模型可解释性。这两个参数，再加上random_state，建议全部写进论文的模型参数表。

3.4 论文写作的倒着写顺序：先图表后文字，先结果后方法

最终成稿的写作，我不建议从头写到尾。更靠谱的顺序是倒着写：先做所有图表和结果表，因为图表是论文的骨架；然后写图表对应的描述文字；再写模型方法部分；最后写摘要和结论。

为什么倒着写？因为摘要和结论必须在所有结果都确定之后才能动笔。很多队伍第4天早上就急着写摘要，写完发现模型结果又改了，摘要作废重写。倒着写虽然违反直觉，但它让每一段文字都有据可依。

下面是一个最终成稿检查清单，提交前逐项过一遍：

这个清单看起来琐碎，但每一条都是真实比赛中被扣过分的点。特别是“摘要与正文结论一致”这一条，每年都会有一批队伍在这里翻车。

4. 做题路上的常见问题排查：从数据翻车到论文翻车

4.1 数据读进来全是NaN，第一版模型一塌糊涂

现象：EDA阶段一切正常，但数据清洗后训练模型，发现性能指标差得离谱。检查数据发现大量字段变成NaN，数值列全是0，类别列变成了乱码。

原因：多半是读取数据时没指定正确的编码，Excel另存的CSV通常是gbk编码，Pandas默认utf-8读取时中文列名和字符串列全部变乱码；另一个常见原因是原始数据里有特殊字符，比如除以0产生的inf、百分比数字里混入了中文“%”，pandas会把整列推断为object类型，用均值填充时全部失败。

解决：读取时先用encoding='gbk'试，或者用errors='ignore'参数规避特殊字符。清洗之前务必先看dtypes，如果发现数值列是object，先排查是否有脏符号，再考虑转float。数据清洗脚本跑完，别急着建模，先输出一份清洗后的描述性统计，人工扫一眼有没有明显异常列。

这里有个容易被忽略的细节：fillna在列全是NaN时不会报错，但整列填充后全是同一个值，这个特征进模型没有任何区分度。所以清洗后要看每列的std，方差为0的列直接摘除，这也是经验。

4.2 第3天晚上模型还在改，论文一个字没动

现象：团队精力全放在调参上，第3天晚上还在尝试新的模型结构，论文还是空白的。

原因：这是数据题最经典的翻车路径。C题模型没有标准答案，总有改进空间，“再调一下”的诱惑贯穿全程。本质上是没有给建模设一个“deadline”。

解决：给建模环节设置硬性的时间上限，比如第2天晚上必须跑通baseline，第3天中午必须锁定最终模型，之后只允许做敏感性分析和结果整理。如果模型实在不理想，接受一个能解释的次优模型，好过交一份写不完的论文。这里有个血泪经验：美赛的评分权重里论文表达占大头，一个解释清楚的简单模型，分数往往高于一个说不清楚的复杂模型。

实际操作上，我见过靠谱的做法是：在比赛一开始就在白板上写好四个时间节点，每个节点对应一个必须交付的产物，比如“第2天晚上12点，baseline指标截图发群里”。一旦baseline跑通，后面所有改进都要用git或文件版本来管理，旧版本不删，心里不慌。

4.3 摘要写完发现和正文结论对不上

现象：摘要里写了指标提升30%，正文里对应表格却是20%；摘要提到用了三个模型，正文只写了两个。

原因：摘要写得太早，或者多人分工导致摘要和正文各写各的。数据题的文字量很大，常见安排是队长写摘要、队员写模型，两边没有对齐数据。

解决：摘要必须是最后一个动笔的部分。写完之后，找一个没参与写作的同学或队友，让他对着摘要去正文里找对应的图和表，找不到就说明摘要和正文脱节。这个检查叫作“摘要反查”，花二十分钟能做的事情，能避免最尴尬的翻车。

另外，摘要里每一个数字都要能对应到正文某个表格或图。如果摘要写“准确率提升到92%”，正文里必须有一行指标是92%。这类问题在评奖时极其致命，因为评委每天看几十篇论文，摘要和正文对不上是最容易扣分的硬伤。

4.4 提交前发现PDF里图表模糊、字体丢失

现象：最后检查时发现PDF里绘制的图表糊了，文字错位，代码块里的公式显示成乱码。

原因：大部分原因是图片导出分辨率太低。绘图时没设置dpi，默认的100dpi放在Word里一放大就模糊；另一个原因是使用在线协作平台编辑论文，最终导出PDF时字体不兼容。

解决：所有matplotlib绘图统一加plt.savefig(..., dpi=300)，并在导出PDF前在本地重新预览一遍。如果论文是多人用不同设备编辑的，提交前最后两小时只允许一个人做排版整合，其他人只负责检查内容，不要同时改版。最后的检查顺序一般是：先看PDF有没有乱码，再翻图表清不清晰，最后核对摘要。

字体丢失这个坑，最容易出在公式编号、图例中文上。解决方法是提交前一晚把所有图表和公式截图确认一遍，别等成稿才发现。

5. 提交前最后两小时：给最终成稿做一次可复现性自检

最终成稿的价值，不仅在于它能不能拿奖，更在于提交之后别人能不能按论文里的描述把结果复现出来。这里分享一个我后来每次比赛都用的小习惯：提交前，把论文的“模型”“数据”“结果”三部分拿出来做一个可复现性自检，通俗讲就是“假如我是评委，我按你论文里的参数能不能得到同一个数”。

我自己的教训是，有一年比赛提交前一小时，发现论文里写的数据文件版本和最终模型实际用的不是同一份。原因是中途把清洗脚本改过一版，但绘图脚本还在读旧的文件名。这个坑最后靠重新跑一遍全部脚本才兜住，差点误了提交。从那以后，每次比赛结束，我必定会用半小时把“从原始数据到最终结果表”的整条链路完整跑一遍，跑通了才敢打包上传。

这种自检也适用于看别人的资料包。拿到这套2020美赛C题的资料包，你不妨把论文最终成稿当参考答案，自己动手复现一遍数据清洗和模型结果。复现成功，你对这个题目的理解会深过一个完整参赛周期；复现失败，你其实找到了这套资料最有价值的教学点——那一处不清晰的地方，就是你将来写论文时要避开的坑。

如果时间紧张，优先复现三个东西：数据清洗结果、baseline模型的结果表、摘要里的核心指标。这三项能对上，整套资料的骨架就算吃透了。希望帮到你。

本文还有配套的精品资源，点击获取