好模型的秘诀不在于更花哨的算法，而在于更好的特征。
多数机器学习算法对尺度敏感。一个取值范围在0到1,000,000的列，会在训练中压制一个取值范围仅0到1的列。
常用的三种缩放器各有适用场景：StandardScaler适合近似正态分布的数据，也是最常见的选择；MinMaxScaler将值压缩到0和1之间，适合神经网络；RobustScaler基于中位数和四分位距（IQR）而非均值，在数据中存在明显异常值时更为稳健。
from sklearn.preprocessing import RobustScaler df['salary_scaled'] = RobustScaler().fit_transform(df[['salary']])
⚠️ 缩放器只能在训练集上拟合。在完整数据集上拟合会引入信息泄漏。
数值列严重右偏时——收入、价格、营收都是典型例子——对数变换可以拉平分布。
import numpy as np df['revenue_log'] = np.log1p(df['revenue'])
连续数值有时转换为类别反而更有用。pd.cut() 生成等宽分箱，适合分布均匀的数据；pd.qcut() 按分位数切分，每个箱中样本量相等，更适合偏斜分布。
df['age_group'] = pd.cut(df['age'], bins=[0, 18, 35, 55, 100], labels=['teen', 'young_adult', 'adult', 'senior'])
两个特征组合后的表达能力往往超过各自单独使用。
df['price_per_sqft'] = df['price'] / df['sqft'] df['debt_to_income'] = df['debt'] / df['income']
线性模型中，多项式特征有助于捕获非线性关系：
from sklearn.preprocessing import PolynomialFeatures poly = PolynomialFeatures(degree=2, include_bias=False)
与其删除异常值，不如将它们截断到合理的百分位范围。
lower = df['salary'].quantile(0.01) upper = df['salary'].quantile(0.99) df['salary_clipped'] = df['salary'].clip(lower=lower, upper=upper)
将每个类别展开为独立的0/1列，适用于没有内在顺序的名义类别。
df_encoded = pd.get_dummies(df, columns=['city'], drop_first=True)
⚠️ 如果某列包含500个唯一类别，独热编码会产生500列。这种情况应改用目标编码。
为每个类别赋一个整数，仅限数据确实存在顺序关系的场景。
df['education'] = df['education'].map({ 'High School': 0, 'Bachelor': 1, 'Master': 2, 'PhD': 3 })
不要对城市名一类的名义数据做标签编码——模型会错误地推断 London > Mumbai。
用对应分组的目标变量均值替换每个类别值，处理高基数列时收效明显。
from category_encoders import TargetEncoder df['city_encoded'] = TargetEncoder().fit_transform(df['city'], df['churn'])
⚠️ 风险在于数据泄漏。生产环境中应采用交叉折叠目标编码。
用每个类别的出现频率替换原始值。做法简单，但在树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)
介于标签编码与独热编码之间的折中方案，在保持较少列数的前提下处理高基数特征。
from category_encoders import BinaryEncoder df_encoded = BinaryEncoder().fit_transform(df[['city']])
原始日期对多数模型没有意义，需要把其中蕴含的时间信息提取出来。
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
月份如果作为普通数字输入，模型会认为十二月（12）和一月（1）距离很远——但它们只隔一个月。用正弦和余弦变换可以保留周期结构：
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)
同样的思路适用于一天中的小时（除以24）。
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)
在引入任何NLP手段之前，先提取简单的统计量。实际效果往往超出预期。
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) )
TF-IDF将文本转换为按词项重要性加权的数值表示。
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'])
from textblob import TextBlob df['sentiment'] = df['review'].apply(lambda x: TextBlob(str(x)).sentiment.polarity)
更现代的做法是用预训练模型将文本压缩为稠密向量，从而捕获语义信息。在深度学习场景下，这比TF-IDF的表达能力高出一个量级。
from sentence_transformers import SentenceTransformer model = SentenceTransformer('all-MiniLM-L6-v2') embeddings = model.encode(df['review'].tolist())
一个数据点与关键地标之间的距离，本身就是一个信息量很大的特征。
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 )
Geohash将经纬度编码为短字符串，每个前缀对应一个地理区域，天然适合做位置聚合。
import pygeohash as pgh df['geohash_5'] = df.apply(lambda r: pgh.encode(r['lat'
], r['lon'], precision=5), axis=1)
在生产环境的机器学习系统中，聚合类特征的价值极高，尤其是在客户行为和交易数据上。
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')
序列数据中，过去N个时间段内发生了什么，往往是预测能力最强的信号。
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()) )
构造特征只是工作的一半，另一半是筛掉无用的。
如果一列的值几乎不变化，模型从中学不到任何东西。
from sklearn.feature_selection import VarianceThreshold selector = VarianceThreshold(threshold=0.01) X_reduced = selector.fit_transform(X)
高度相关的特征本质上是冗余信息。保留一个，其余丢弃。
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)
用树模型对特征排序，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))
SHAP不仅能揭示哪些特征重要，还能解释每个特征对单条预测结果的具体影响方向和幅度。
import shap explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X_train) shap.summary_plot(shap_values, X_train)
当候选组合数量庞大时，手动构造特征不再现实。更好的做法是用程序批量生成，再交由特征选择环节做筛选。
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，依次过方差过滤、相关性过滤，再看特征重要性得分，留下来的就是值得用的。
特征工程是领域知识和技术能力的交叉地带。算法再精妙，也无法弥补特征层面的粗糙。
持续产出高质量模型的工程师，往往不是掌握算法最多的人而是对数据理解最深的人。从简单的特征开始量化每一步的收益，只在简单版本不够用的时候才引入复杂度。
版权声明
转自ATNO，版权属于原作者，仅用于学术分享
