Python 毕设挂得最多的不是不会 pandas，而是开题写了分析，数据却没有。选题总览见 Python 选题页；清洗与三张图见 落地博文。本页只把数据来源写死。
铁律：开题第 1 周必须能指出：数据从哪来、什么字段、大概多少条、是否允许用于毕设。答不全就换题。
一、三条合法稳妥的路
| 路线 | 适合 | 开题怎么写 | 风险 |
|---|---|---|---|
| 公开数据集 | 最稳 | 写明名称、链接、许可证、字段 | 低 |
| 低频公开页自爬 | 有爬虫课 | 写站点类型、频率、仅公开信息 | 中（反爬/条款） |
| 问卷 / 模拟 | 时间紧 | 写生成规则或问卷设计 | 答辩要能讲清分布 |
二、公开集从哪找（类型，不堆过时链接）
- 竞赛与教学集：Kaggle、和鲸、UCI、MovieLens 等
- 统计与公报：国家/地方统计局公开表
- 课程配套 CSV：老师或教材提供的练习数据
- GitHub 教学仓库中的 sample 数据（看清许可）
下载后固定版本：把原始文件放 data/raw/，论文写「采集日期与版本」。
三、自爬时的底线
- 只爬公开列表页，控制频率，不要撞登录墙
- 电商强反爬、需要登录的内容，默认换公开集
- 不写「全网采集」「突破反爬」当创新点
- 字段够画三张图就停，不要追求「百万级」
四、模拟数据怎么让老师接受
- 写清：按业务规则生成（如预约时段、状态比例）
- 给种子脚本，答辩能重新生成
- 分析题仍要有「可解释的分布」，不要纯随机噪声
- 管理系统可用模拟；硬上深度学习仍不推荐
五、开题里的标准段落（可改）
「本课题数据来源于××公开数据集（版本/日期）。主要字段包括……，有效样本约 N 条。数据仅用于教学分析，处理流程为清洗→特征→可视化/建模。不涉及未授权的个人隐私数据。」
六、没有数据时的决策
| 现状 | 动作 |
|---|---|
| 有公开集 | 立刻定题，做三图 + 展示页 |
| 只能爬且反爬强 | 换题或换站点类型 |
| 学院要「系统」 | 改 Django/Boot 管理端，数据自建 |
| 只剩 6 周且无数据 | 见 六周计划，优先管理端或单源分析 |
常见问题
毕业设计数据从哪里来？
公开集、低频公开页自爬、问卷/模拟。开题写来源、字段、规模。
爬虫合法吗？
仅公开信息、控制频率、遵守 robots 与站点条款；答辩不吹破解。不确定就改公开集。
数据集太小怎么办？
本科重过程：清洗、可视化、基线对比。几千条足够，不必硬凑百万。