第3章：单变量特征构建——从原始数据到信息提炼

各位好，欢迎来到第三章。前两章我们聊了特征工程的整体框架和自动化思路，今天要扎进一个最基础也最容易被忽视的环节——单变量特征构建。

说白了，就是只盯着一个字段，看你能从它身上榨出多少有价值的信息。我见过不少团队，一上来就搞复杂的交叉特征、高阶变换，结果模型效果还不如把单变量特征做扎实。嗯，这里要注意：单变量是地基，地基不稳，楼盖得再高也白搭。

3.1 基于统计的特征——用数学语言描述分布

你想想看，一个数值字段，比如用户的消费金额，它背后藏着多少信息？平均值告诉你一般水平，方差告诉你波动大小，偏度和峰度则告诉你分布的形状。这些统计量，就是我们把原始数据翻译成模型能理解的语言。

3.1.1 集中趋势与离散程度

最基础的，均值、中位数、众数。但我个人习惯，从来不会只取一个。为什么？因为均值对异常值太敏感了。我在做电商用户画像时遇到过，某个用户的消费均值被几个大促订单拉高了好几倍，结果模型把他归为高净值用户，推荐的全是奢侈品——其实他平时只买日用品。

统计量	含义	适用场景
均值	整体平均水平	数据分布对称、无极端值
中位数	排序后中间位置的值	数据有偏、存在异常值
方差/标准差	数据波动程度	衡量稳定性、风险
变异系数	标准差/均值，无量纲	比较不同量纲字段的离散程度

3.1.2 分布形状：偏度与峰度

偏度描述数据分布是否对称，峰度描述分布是"尖"还是"平"。这两个特征在金融、生物统计领域用得很多。

• 偏度 > 0：右偏，尾巴在右边，说明存在较大的极端值
• 偏度 < 0：左偏，尾巴在左边，说明存在较小的极端值
• 峰度 > 3：尖峰厚尾，极端值出现的概率比正态分布高
• 峰度 < 3：平峰薄尾，数据分布比较均匀

我曾经在构建用户活跃度特征时，发现活跃天数的峰度高达 12.7。这说明什么？大部分用户要么几乎不活跃，要么天天在线，中间状态很少。这个发现直接指导我们做了用户分层策略。

import numpy as np
import pandas as pd
from scipy.stats import skew, kurtosis

def build_stat_features(series, prefix='feature'):
    """
    从单变量序列中提取统计特征
    """
    features = {}
    features[f'{prefix}_mean'] = np.mean(series)
    features[f'{prefix}_std'] = np.std(series)
    features[f'{prefix}_median'] = np.median(series)
    features[f'{prefix}_skew'] = skew(series)
    features[f'{prefix}_kurt'] = kurtosis(series)
    features[f'{prefix}_range'] = np.max(series) - np.min(series)
    features[f'{prefix}_cv'] = features[f'{prefix}_std'] / (features[f'{prefix}_mean'] + 1e-8)
    return features

# 示例：对用户消费金额提取统计特征
amount_series = df['user_consumption']
stat_feats = build_stat_features(amount_series, prefix='consumption')
print(stat_feats)

3.2 基于业务规则的特征——让领域知识说话

统计特征很通用，但真正让模型"开窍"的，往往是那些带着业务理解的特征。说白了，就是把你对业务的理解，编码成模型能看懂的数值。

3.2.1 比率特征

比率是最直观的业务特征。比如电商场景下，转化率 = 购买人数 / 访客人数。单独看访客数和购买数可能看不出什么，但一除，用户质量就出来了。

我记得在做一个信贷评分项目时，原始字段有"月收入"和"月还款额"。单独看收入，有人月入5万，有人月入5千，但还款压力完全不同。我们构造了债务收入比 = 月还款额 / 月收入，这个比率直接成了模型里权重最高的特征之一。

3.2.2 差值特征

差值反映的是"变化"和"差距"。常见的有：

• 值差值：|A - B|，衡量差距
• 相对差值：(A - B) / B，衡量变化幅度
• 排名差值：rank(A) - rank(B)，消除量纲影响

比如在用户增长分析中，本月新增用户数 - 上月新增用户数，正数说明增长加速，负数说明增长放缓。这个差值比原始数值更有业务含义。

3.2.3 阈值特征

阈值特征就是把连续值变成离散的"是否"判断。比如：

def build_threshold_features(series, thresholds, prefix='feature'):
    """
    根据业务阈值生成二值特征
    """
    features = {}
    for i, thresh in enumerate(thresholds):
        features[f'{prefix}_over_{thresh}'] = (series > thresh).astype(int)
        features[f'{prefix}_under_{thresh}'] = (series < thresh).astype(int)
    return features

# 示例：对用户年龄设置业务阈值
age_thresholds = [18, 30, 45, 60]
age_feats = build_threshold_features(df['age'], age_thresholds, prefix='age')

阈值怎么定？我的经验是：先看业务常识，再看数据分布。比如年龄的18岁、60岁，这是法律和退休年龄决定的，不是算出来的。如果业务上没有明确阈值，可以用分位数（比如P25、P75）作为参考。

3.3 时间序列基础特征——让历史说话

如果你的数据带时间戳，那恭喜你，你手里握着金矿。时序特征能捕捉趋势、周期性和惯性。我常说：没有时序特征的时间序列模型，就像没有记忆的人。

3.3.1 滞后特征（Lag Features）

滞后特征就是用过去的值来预测现在。比如用昨天的销量预测今天的销量。

def build_lag_features(df, col, lags=[1, 3, 7, 30]):
    """
    生成滞后特征
    """
    for lag in lags:
        df[f'{col}_lag_{lag}'] = df[col].shift(lag)
    return df

# 示例：对日销售额生成滞后1天、7天、30天的特征
sales_df = build_lag_features(sales_df, 'daily_sales', lags=[1, 7, 30])

这里有个坑：滞后特征会引入未来信息。如果你在训练时用了t-1的数据来预测t，那预测时也必须保证t-1的数据是已知的。我在做实时预测系统时，就因为滞后窗口没对齐，导致线上效果比线下差了一大截。

3.3.2 滑动窗口特征（Rolling Window Features）

滑动窗口比单点滞后更稳健。它计算过去N个时间点的统计量，能平滑噪声，捕捉趋势。

窗口统计量	含义	典型窗口大小
滑动均值	过去N期的平均水平	7天、30天
滑动标准差	过去N期的波动程度	7天、30天
滑动最大值	过去N期的峰值	3天、7天
滑动最小值	过去N期的谷值	3天、7天
滑动偏度	过去N期的分布形状	14天、30天

def build_rolling_features(df, col, windows=[7, 14, 30]):
    """
    生成滑动窗口统计特征
    """
    for w in windows:
        df[f'{col}_rolling_mean_{w}d'] = df[col].rolling(window=w).mean()
        df[f'{col}_rolling_std_{w}d'] = df[col].rolling(window=w).std()
        df[f'{col}_rolling_max_{w}d'] = df[col].rolling(window=w).max()
        df[f'{col}_rolling_min_{w}d'] = df[col].rolling(window=w).min()
    return df

# 示例：对股票收盘价生成7天和30天的滑动特征
stock_df = build_rolling_features(stock_df, 'close_price', windows=[7, 30])

3.3.3 差分与累积特征

除了滞后和滑动窗口，还有两个常用的时序变换：

• 一阶差分：当前值 - 上一个值，用来消除趋势，让序列平稳
• 累积和：从起点到当前点的累加，用来捕捉总量变化

# 一阶差分
df['sales_diff_1'] = df['daily_sales'].diff(1)

# 累积和
df['sales_cumsum'] = df['daily_sales'].cumsum()

# 同比/环比
df['sales_yoy'] = df['daily_sales'] / df['daily_sales'].shift(365) - 1  # 同比
df['sales_mom'] = df['daily_sales'] / df['daily_sales'].shift(30) - 1   # 环比

嗯，这里要注意：差分会减少数据量（第一行变成NaN），累积和则会让数值越来越大。我在做库存预测时，累积和特征帮了大忙——它能反映"到目前为止的总需求"，比单日销量稳定得多。

3.4 本章小结——单变量特征的组合策略

三种方法不是互斥的，而是可以叠加的。我常用的策略是：

1. 先做统计特征：均值、方差、偏度、峰度，快速了解数据分布
2. 再结合业务规则：比率、差值、阈值，把领域知识编码进去
3. 最后处理时序字段：滞后、滑动窗口、差分，捕捉时间维度信息

举个例子，一个用户的"月消费金额"字段，经过单变量特征构建后，可以变成：

• 统计特征：月消费均值、月消费标准差、月消费偏度
• 业务规则：月消费/月收入（消费收入比）、月消费是否超过5000（阈值特征）
• 时序特征：上月消费金额（滞后1月）、近3月消费滑动均值、环比增长率

一个字段变成七八个特征，而且每个都有明确的业务含义。这才是单变量特征构建的正确打开方式。