慕北颖每年2月美赛开赛前，总会有同学来问我同一个问题：“D题到底怎么准备？感觉它既不像A题那样有明确的物理模型，又不像C题那样有现成的套路。”这个问题我特别能理解——美赛六道题里，D题是最容易让人“看着都会，下手全懵”的一道。作为ICM的数据挖掘题，D题通常数据量大、背景开放、问题切近现实，评奖时又最看重“用数据讲清楚一个完整故事”的能力。这篇文章我就把带队伍打D题的完整思路拆开讲：从赛前工具准备、拿到题后的破题流程，到数据清洗和特征工程的具体做法、模型选型的逻辑、代码和论文如何配合，全部基于我多年带队实践和个人参赛复盘的经验。不管你是第一次参加、还是想冲O奖的老手，这篇都能帮你把D题的备战路径理顺。
1. 先搞清楚D题到底在考什么——数据挖掘题的定位与破题逻辑
网上一直有个说法：“D题是六道题里最好拿奖的，因为代码要求不高，关键是讲故事。”这句话前半句对，后半句错得离谱。D题作为ICM赛题，全称是“Data Mining（数据挖掘）”方向，它的核心不是让你把数据集丢进某个现成模型里跑一个分数出来，而是考察三个层次的能力：从真实数据中发现规律的洞察力、把规律转化为模型的抽象能力、把模型结果翻译成决策建议的表达能力。
回顾近几年的D题，题目背景基本都集中在网络分析、资源分配、系统优化这几个方向上。比如以交通网络、物流网络、生态网络为背景的题目屡见不鲜，题目通常会给你一个包含多个节点和边的数据集，再附带一些属性数据，然后让你回答一串递进式的问题：数据的核心特征什么？影响结果的关键因素是什么？如果改变某些条件会怎样？应该采取什么策略？
这就是D题和其他题最不一样的地方：它不要求单一的“标准答案”，而是要求一套自洽的逻辑链。你的每一种算法选择、每一个参数设定，最终都要回答“这对我最后的决策建议有什么意义”。很多队伍在D题上翻车，不是不会跑模型，而是跑完一堆模型之后，不知道该怎么把结果串成一个有说服力的叙事。所以，备战D题的第一步，不是多学几个模型，而是先建立“从数据到决策”的完整思维框架。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 赛前72小时准备清单——工具链、团队分工与模板预装
很多人以为美赛拼的是比赛那几天，其实真正决定成绩的，往往是赛前那几天谁能把环境准备好、把流程理顺。别的题可以临时抱佛脚，D题一旦开赛，你光是处理完题目给的数据集就要花掉大半天，再回头装环境、调字体、配置库，心态直接崩。这里给出一份我验证过多次的赛前准备清单，建议至少在正式开赛前一周全部准备到位。
2.1 工具链：开发环境与核心Python库
D题主战场是Python，这一点没什么争议。我的建议是直接用Anaconda管理环境，Python版本选择3.9或3.10，太新的版本偶尔会有个别库兼容性问题，没必要在比赛时跟自己过不去。核心库清单如下，逐个说下用途和坑：
- pandas + numpy：数据处理的基本盘，谁都会用，但D题的数据量经常会到几十万行甚至百万行级别，所以读取数据时建议带上
dtype参数指定列类型，能节省大量内存。 - scikit-learn：常规模型都在这里，但要注意它对类别特征的支持一般，做特征工程时最好先把类别变量处理好再喂进模型。
- xgboost / lightgbm：D题的表格类数据，树模型往往是最稳的选择。LightGBM做大型数据集的速度优势很明显，但参数调起来比sklearn麻烦一点，建议赛前就固定好一套自己的常用参数模板。
- networkx：D题高频出现网络结构数据，计算度、介数中心性、最短路径这些指标，networkx是绕不开的。
- geopandas + folium：如果题目包含地理空间数据，这两个库能让你快速出地图可视化，视觉效果比matplotlib好太多，对论文的图表质量帮助极大。
- statsmodels：做时间序列、回归分析时用，输出结果比sklearn更完整，适合写进论文。
还有一个容易被忽视的环境问题：中文字体。matplotlib默认不支持中文，论文里一旦出现中文，图里的文字就全是方块。我的解决方案是在赛前一次性配置好全局中文字体，同时统一设置图片的dpi到300以上，这样后面论文排版时不需要二次截图。
2.2 团队分工：三人六手怎么打数据挖掘
D题的特殊性在于，它既有分析工作量，也有写作工作量，还有无休止的调优和调试工作。最好的分工不是“一个写作、一个建模、一个编程”这种各管一段，而是“角色交叉、一人多能”。我比较推荐的分工