1. 모양과 결측을 먼저 본다shape 와 isna().sum() 으로 어느 열에 결측이 있는지, 수치인지 범주인지 나눈다.
2. 수치 결측은 학습 자료의 중앙값으로채우는 값을 평가 자료에서 구하면 안 된다. 평가 자료의 정보가 전처리로 새어 들어가 실전에서 재현되지 않는 성능이 나온다.
3. 범주는 학습 자료의 열 구성에 맞춘다get_dummies 를 두 자료에 따로 돌리면 범주 개수가 달라 열이 어긋난다. reindex(columns=학습열, fill_value=0) 으로 맞춘다.
4. 확률을 예측한다predict_proba(x)[:, 1] 이 "1일 확률" 이다. predict 는 0/1 라벨이라 이 문항의 지표에 맞지 않는다.
5. 규격대로 저장한다to_csv('result.csv', index=False). index=False 를 빠뜨리는 것이 이 유형의 1번 실패다.

import pandas as pd
from sklearn.ensemble import RandomForestClassifier

train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')

features = [column for column in test.columns if column != 'id']
numeric = [column for column in features if column != 'clinic']

# 채우는 값은 학습 자료에서만 얻는다
medians = train[numeric].median()
x_train = train[numeric].fillna(medians)
x_test = test[numeric].fillna(medians)

train_dummies = pd.get_dummies(train['clinic'].fillna('unknown'), prefix='clinic')
test_dummies = pd.get_dummies(test['clinic'].fillna('unknown'), prefix='clinic')
# 평가 자료에 없는 범주가 있어도 열 구성을 학습 자료에 맞춘다
test_dummies = test_dummies.reindex(columns=train_dummies.columns, fill_value=0)

x_train = pd.concat([x_train, train_dummies], axis=1)
x_test = pd.concat([x_test, test_dummies], axis=1)

model = RandomForestClassifier(n_estimators=200, random_state=42)
model.fit(x_train, train['target'])
proba = model.predict_proba(x_test)[:, 1]

pd.DataFrame({'id': test['id'], 'pred': proba}).to_csv('result.csv', index=False)

결측을 채울 중앙값과 범주 열 구성을 모두 학습 자료에서 정한 뒤 평가 자료에 그대로 적용한다. 평가 자료로 중앙값을 구하거나 get_dummies 를 따로 돌리면 열이 어긋나 예측이 무너진다. to_csv 의 index=False 를 빠뜨리면 이름 없는 첫 열이 생겨 형식 검사에서 걸린다. 이 기준 풀이의 ROC AUC 는 약 0.983 이며, 다른 모형이라도 규격을 지키면 채점된다.