3. 数据清洗与特征工程面试题
在信贷风控建模面试中，数据清洗与特征工程往往比模型选择更能体现候选人的实战功底。面试官真正想确认的不是你“知道多少种方法”，而是你能否在业务约束、样本规模、可解释性与上线稳定性之间做出合理取舍。本章围绕五类高频问题，给出可复用的回答框架与追问应对路径。
一、核心原理：特征工程是业务假设的代码化
缺失值、异常值、分箱、筛选与共线性，本质上都在回答同一个问题：如何把原始数据转化为稳定、可解释、可上线的风险信号。面试中不要孤立地背方法，而要把它放进“业务假设—数据验证—模型验证—上线监控”的闭环里。
- 缺失值：先判断缺失机制（完全随机、随机、非随机），再决定删除、填充或保留缺失标志。信贷场景中，缺失本身常是风险信号。
- 异常值：区分“错误值”与“真实极端值”。错误值修正或剔除，真实极端值可截断、分箱或单独建模。
- 分箱：把连续变量离散化，提升稳定性与可解释性，同时处理非线性关系。常用等频、等距、卡方、决策树分箱。
- 特征筛选：从业务、统计、模型三个维度筛选，兼顾IV、PSI、相关性、VIF与业务可解释性。
- 共线性：共线性不影响树模型预测，但影响逻辑回归系数解释与稳定性，需通过VIF、相关性矩阵识别并处理。
面试表达要点：先给结论，再给依据，最后给验证。例如“我优先保留缺失标志，因为缺失率与逾期率呈单调关系，IV提升约0.02，且上线后PSI稳定”。
二、方法流程：五步走的标准回答
- 数据诊断：统计缺失率、异常比例、分布、IV与PSI，形成数据质量报告。
- 缺失处理：缺失率低于5%可填充；5%～30%考虑填充加缺失标志；高于30%谨慎保留或单独分析。
- 异常处理：用箱线图、3σ、分位数、业务规则识别，结合业务判断修正或截断。
- 分箱与编码：优先卡方或决策树分箱，保证单调性；WOE编码后检查IV与PSI。
- 筛选与共线性：先业务筛选，再统计筛选，最后模型筛选；VIF大于5或10时处理共线性。
| 环节 | 常用方法 | 关键指标 | 面试追问 |
|---|---|---|---|
| 缺失值 | 删除、均值/中位数/众数、模型填充、缺失标志 | 缺失率、IV、PSI | 缺失是随机还是非随机？ |
| 异常值 | 3σ、IQR、分位数、业务规则 | 异常比例、截断前后分布 | 极端值是错误还是真实风险？ |
| 分箱 | 等频、等距、卡方、决策树 | 单调性、IV、WOE | 为什么不用等距？ |
| 筛选 | IV、相关性、RFE、L1、业务规则 | IV、AUC、KS | 如何避免过拟合？ |
| 共线性 | 相关性矩阵、VIF、PCA | VIF、系数稳定性 | 树模型需要处理吗？ |
三、案例/场景：一个消费贷评分卡项目
假设你在某消费金融公司做申请评分卡，样本100万，坏样本率4%。发现“月收入”缺失率18%，“年龄”存在999异常值，“近6个月查询次数”与“近3个月查询次数”高度相关。
处理策略：
1. 月收入：缺失标志 + 中位数填充，缺失标志IV=0.03，保留。
2. 年龄：999修正为缺失，按业务规则截断至[18,70]。
3. 查询次数：保留近3个月，删除近6个月，VIF从8.2降至2.1。
4. 分箱：对收入使用决策树分箱，保证坏样本率单调。
5. 验证：AUC从0.72提升至0.76，KS从0.28提升至0.34，PSI小于0.1。
这个案例的加分点在于：每一步都有量化依据，并且说明了上线后的稳定性验证。面试官追问“为什么保留缺失标志”时，你可以回答：缺失人群的坏样本率显著高于非缺失人群，缺失本身携带风险信息。
回答模板：背景—问题—方案—验证—上线监控。用STAR结构讲项目，用数据讲效果，用业务讲取舍。
四、误区与复盘：面试中常见的失分点
- 只讲方法不讲场景：一上来就说用均值填充，却不判断缺失机制。
- 忽视业务可解释性：为了提升AUC引入大量黑箱特征，导致评分卡无法解释。
- 分箱后不检查单调性：WOE不单调会削弱模型稳定性与业务信任。
- 共线性一刀切：树模型对共线性不敏感，但仍需关注特征重要性的稳定性。
- 缺少上线监控：没有PSI、缺失率、异常率监控，模型衰减后无法及时预警。
复盘建议：每次面试后记录被追问的问题，尤其是“为什么这样做”和“如果数据变了怎么办”。把答案整理成可复用的决策树，而不是零散知识点。
总结来看，这一章的面试题看似分散，实则围绕一条主线：用业务假设驱动数据处理，用统计指标验证处理效果，用上线监控保证长期稳定。掌握这条主线，你就能在面试中从“会做题”升级为“能落地”。