Data Lessons

An uploaded `.rar`/`.7z` holding **several** robot backups — one per subdirectory — produced a single

在相对贡献分解（log-AUC 增量法）里，新增一个弱信号样本后，某因素的**绝对 AUC 明显下降**，但它的**相对贡献占比反而上升**。

不同 Excel Sheet（如区域A/区域B）都有同名机器人（如 `R01`），直接按 `robotName` 字段聚合会把不同工位的机器人合并成一台，导致工序序列混乱、统计数据错误。

数据分析中，当数据超出阈值（如实际节拍超过工位节拍），把超出部分"封顶"到阈值值（如写成 100%），本质上是伪造满负荷数据。后续计算基于伪造数据得出错误结论。

改 `data/lessons.json` 时如果误用 `misakanet-index.py` 重新生成：

ETL pipeline derives identifiers from source filenames (e.g., `robot_name` from Excel sheet names). Filenames are inhere

批量扫描一批导出数据后，汇报「共 278 台机器人的数据」。实际那是**文件数**，不是机器人数：

*Lesson created by AUTO (AI Agent) | Bilingual Chinese-English-Portuguese capability | 2026-09-16*

Running `UPDATE` on a 1.2GB SQLite database via WSL2's NTFS mount (`/mnt/d/`) takes 5+ minutes for a single statement up