本文轉(zhuǎn)自：DeepHub IMBA

好模型的秘訣不在于更花哨的算法，而在于更好的特征。

第1部分：數(shù)值特征

1. 1 縮放

多數(shù)機器學習算法對尺度敏感。一個取值范圍在0到1,000,000的列，會在訓練中壓制一個取值范圍僅0到1的列。

常用的三種縮放器各有適用場景：StandardScaler適合近似正態(tài)分布的數(shù)據(jù)，也是最常見的選擇；MinMaxScaler將值壓縮到0和1之間，適合神經(jīng)網(wǎng)絡(luò)；RobustScaler基于中位數(shù)和四分位距（IQR）而非均值，在數(shù)據(jù)中存在明顯異常值時更為穩(wěn)健。

from sklearn.preprocessing import RobustScaler
df['salary_scaled'] = RobustScaler().fit_transform(df[['salary']])

縮放器只能在訓練集上擬合。在完整數(shù)據(jù)集上擬合會引入信息泄漏。

1. 2 對數(shù)變換

數(shù)值列嚴重右偏時——收入、價格、營收都是典型例子——對數(shù)變換可以拉平分布。

import numpy as np
df['revenue_log'] = np.log1p(df['revenue']) # log1p可以安全處理零值

1. 3 分箱

連續(xù)數(shù)值有時轉(zhuǎn)換為類別反而更有用。pd.cut()生成等寬分箱，適合分布均勻的數(shù)據(jù)；pd.qcut()按分位數(shù)切分，每個箱中樣本量相等，更適合偏斜分布。

df['age_group'] = pd.cut(df['age'], bins=[0, 18, 35, 55, 100],
labels=['teen', 'young_adult', 'adult', 'senior'])

1. 4 交互特征

兩個特征組合后的表達能力往往超過各自單獨使用。

df['price_per_sqft'] = df['price'] / df['sqft']
df['debt_to_income'] = df['debt'] / df['income']

線性模型中，多項式特征有助于捕獲非線性關(guān)系：

from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2, include_bias=False)
# Creates: age, salary, age2, salary2, age × salary

1. 5 裁剪異常值

與其刪除異常值，不如將它們截斷到合理的百分位范圍。

lower = df['salary'].quantile(0.01)
upper = df['salary'].quantile(0.99)
df['salary_clipped'] = df['salary'].clip(lower=lower, upper=upper)

第2部分：類別特征

2. 1 獨熱編碼

將每個類別展開為獨立的0/1列，適用于沒有內(nèi)在順序的名義類別。

df_encoded = pd.get_dummies(df, columns=['city'], drop_first=True)

如果某列包含500個唯一類別，獨熱編碼會產(chǎn)生500列。這種情況應改用目標編碼。

2. 2 標簽編碼

為每個類別賦一個整數(shù)，僅限數(shù)據(jù)確實存在順序關(guān)系的場景。

df['education'] = df['education'].map({
'High School': 0, 'Bachelor': 1, 'Master': 2, 'PhD': 3
})

不要對城市名一類的名義數(shù)據(jù)做標簽編碼——模型會錯誤地推斷 London > Mumbai。

2. 3 目標編碼

用對應分組的目標變量均值替換每個類別值，處理高基數(shù)列時收效明顯。

from category_encoders import TargetEncoder
df['city_encoded'] = TargetEncoder().fit_transform(df['city'], df['churn'])

風險在于數(shù)據(jù)泄漏。生產(chǎn)環(huán)境中應采用交叉折疊目標編碼。

2. 4 頻率編碼

用每個類別的出現(xiàn)頻率替換原始值。做法簡單，但在樹模型中的效果常常出人意料。

freq_map = df['city'].value_counts(normalize=True)
df['city_freq'] = df['city'].map(freq_map)

2. 5 二進制編碼

介于標簽編碼與獨熱編碼之間的折中方案，在保持較少列數(shù)的前提下處理高基數(shù)特征。

from category_encoders import BinaryEncoder
df_encoded = BinaryEncoder().fit_transform(df[['city']])
# 100 categories → only 7 binary columns

第3部分：日期時間特征

原始日期對多數(shù)模型沒有意義，需要把其中蘊含的時間信息提取出來。

3. 1 標準提取

df['order_date'] = pd.to_datetime(df['order_date'])

df['month'] = df['order_date'].dt.month
df['day_of_week'] = df['order_date'].dt.dayofweek
df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int)
df['quarter'] = df['order_date'].dt.quarter
df['days_since'] = (df['order_date'] - pd.Timestamp('2024-01-01')).dt.days

3. 2 周期編碼

月份如果作為普通數(shù)字輸入，模型會認為十二月（12）和一月（1）距離很遠——但它們只隔一個月。用正弦和余弦變換可以保留周期結(jié)構(gòu)：

import numpy as np
df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)

同樣的思路適用于一天中的小時（除以24）。

3. 3 工作日歷特征

import holidays
indian_holidays = holidays.India(years=2025)

df['is_holiday'] = df['order_date'].apply(lambda d: d in indian_holidays).astype(int)
df['is_month_end'] = df['order_date'].dt.is_month_end.astype(int)

第4部分：文本特征

4. 1 基礎(chǔ)統(tǒng)計特征

在引入任何NLP手段之前，先提取簡單的統(tǒng)計量。實際效果往往超出預期。

df['word_count'] = df['review'].str.split().str.len()
df['avg_word_len'] = df['review'].str.len() / df['word_count']
df['has_question'] = df['review'].str.contains(r'\\\\?').astype(int)
df['uppercase_ratio'] = df['review'].apply(
lambda x: sum(c.isupper() for c in str(x)) / max(len(str(x)), 1)
)

4. 2 TF-IDF

TF-IDF將文本轉(zhuǎn)換為按詞項重要性加權(quán)的數(shù)值表示。

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(max_features=100, ngram_range=(1, 2), stop_words='english')
X_tfidf = tfidf.fit_transform(df['review'])

4. 3 情感得分

from textblob import TextBlob
df['sentiment'] = df['review'].apply(lambda x: TextBlob(str(x)).sentiment.polarity)
# 范圍從-1（非常消極）到1（非常積極）

4. 4 句子嵌入

更現(xiàn)代的做法是用預訓練模型將文本壓縮為稠密向量，從而捕獲語義信息。在深度學習場景下，這比TF-IDF的表達能力高出一個量級。

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('all-MiniLM-L6-v2')
embeddings = model.encode(df['review'].tolist())
# Shape: (n_rows, 384) — each row becomes 384 numerical features

第5部分：地理空間特征

5. 1 距離特征

一個數(shù)據(jù)點與關(guān)鍵地標之間的距離，本身就是一個信息量很大的特征。

from math import radians, sin, cos, sqrt, atan2

def haversine(lat1, lon1, lat2, lon2):
R = 6371
lat1, lon1, lat2, lon2 = map(radians, [lat1, lon1, lat2, lon2])
a = sin((lat2-lat1)/2)**2 + cos(lat1)*cos(lat2)*sin((lon2-lon1)/2)**2
return R * 2 * atan2(sqrt(a), sqrt(1-a))
city_centre = (28.6139, 77.2090)

df['dist_to_centre_km'] = df.apply(
lambda r: haversine(r['lat'], r['lon'], *city_centre), axis=1
)

5. 2 Geohash

Geohash將經(jīng)緯度編碼為短字符串，每個前綴對應一個地理區(qū)域，天然適合做位置聚合。

import pygeohash as pgh
df['geohash_5'] = df.apply(lambda r: pgh.encode(r['lat'], r['lon'], precision=5), axis=1)
# precision 5 = roughly 5km area

第6部分：聚合特征

在生產(chǎn)環(huán)境的機器學習系統(tǒng)中，聚合類特征的價值極高，尤其是在客戶行為和交易數(shù)據(jù)上。

6. 1 分組聚合

stats = df.groupby('customer_id').agg(
total_orders=('order_id', 'count'),
total_spent=('amount', 'sum'),
avg_order_value=('amount', 'mean'),
max_order=('amount', 'max')
).reset_index()

df = df.merge(stats, on='customer_id', how='left')

6. 2 滯后和滾動特征

序列數(shù)據(jù)中，過去N個時間段內(nèi)發(fā)生了什么，往往是預測能力最強的信號。

df = df.sort_values(['customer_id', 'order_date'])

df['prev_order_amount'] = df.groupby('customer_id')['amount'].shift(1)
df['amount_change'] = df['amount'] - df['prev_order_amount']

df['rolling_30d_spend'] = (
df.groupby('customer_id')['amount']
.transform(lambda x: x.rolling(3).sum())
)

第7部分：特征選擇

構(gòu)造特征只是工作的一半，另一半是篩掉無用的。

7.1 刪除低方差特征

如果一列的值幾乎不變化，模型從中學不到任何東西。

from sklearn.feature_selection import VarianceThreshold
selector = VarianceThreshold(threshold=0.01)
X_reduced = selector.fit_transform(X)

7.2 刪除高相關(guān)特征

高度相關(guān)的特征本質(zhì)上是冗余信息。保留一個，其余丟棄。

corr = df.corr().abs()
upper = corr.where(np.triu(np.ones(corr.shape), k=1).astype(bool))
to_drop = [col for col in upper.columns if any(upper[col] > 0.95)]
df.drop(columns=to_drop, inplace=True)

7.3 特征重要性

用樹模型對特征排序，重要性接近零的直接去掉。

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

importance = pd.Series(model.feature_importances_, index=X_train.columns)
print(importance.sort_values(ascending=False).head(20))

7.4 SHAP值

SHAP不僅能揭示哪些特征重要，還能解釋每個特征對單條預測結(jié)果的具體影響方向和幅度。

import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_train)
shap.summary_plot(shap_values, X_train)

第8部分：自動化特征工程

當候選組合數(shù)量龐大時，手動構(gòu)造特征不再現(xiàn)實。更好的做法是用程序批量生成，再交由特征選擇環(huán)節(jié)做篩選。

import featuretools as ft

es = ft.EntitySet(id='orders')
es = es.add_dataframe(dataframe_name='orders', dataframe=df,
index='order_id', time_index='order_date')
feature_matrix, feature_defs = ft.dfs(
entityset=es,
target_dataframe_name='orders',
agg_primitives=['sum', 'mean', 'count', 'max', 'std'],
trans_primitives=['month', 'weekday', 'is_weekend'],
max_depth=2
)
print(f"Generated {len(feature_defs)} features automatically")

跑完之后，依次過方差過濾、相關(guān)性過濾，再看特征重要性得分，留下來的就是值得用的。

總結(jié)

特征工程是領(lǐng)域知識和技術(shù)能力的交叉地帶。算法再精妙，也無法彌補特征層面的粗糙。

持續(xù)產(chǎn)出高質(zhì)量模型的工程師，往往不是掌握算法最多的人而是對數(shù)據(jù)理解最深的人。從簡單的特征開始量化每一步的收益，只在簡單版本不夠用的時候才引入復雜度。