第三章 特征工程与数据预处理面试题
特征工程是模型性能的“天花板”，数据预处理决定模型能否收敛。面试中高频考察三类问题：特征构造（从原始数据中提取有效信息）、缺失值处理（保证训练稳定性）、归一化/标准化（消除量纲影响）。本章提供结构化回答框架与实战模板，助你拆解面试官的深层考察点。
📌 面试问答卡片
1. 特征构造
面试问题：“如何从原始时间戳数据中构造有用特征？请举例说明。”
面试官考察点：① 领域知识的转化能力 ② 特征冗余与过拟合的权衡 ③ 数值/类别特征构造的差异性认识。
回答框架：先定位业务场景（如用户行为预测），再按“拆分→聚合→交叉”三步构造：拆出年/月/日/星期/小时，聚合出统计量（均值/趋势），再与用户ID交叉生成行为模式特征。
简短示例回答：“对于用户下单时间戳，我会先拆出小时、星期、是否节假日；然后按用户聚合过去7天每小时下单次数作为滑动窗口特征；最后与商品类别交叉，构造‘用户-商品-时段’偏好特征。我还会检查特征与标签的相关性，避免引入噪声。”
可能追问：“特征过多导致过拟合怎么办？如何进行特征筛选？”
2. 缺失值处理
面试问题：“特征缺失率超过50%时，你倾向于删除还是填补？为什么？”
面试官考察点：① 对缺失机制（MCAR/MAR/MNAR）的理解 ② 不同模型（树模型 vs 神经网络）对缺失的鲁棒性 ③ 业务可解释性。
回答框架：先判断缺失类型（随机/非随机），再根据特征重要性、缺失比例、模型类型选择：若高频缺失且不重要→删除；若重要且为随机缺失→用中位数/KNN/模型预测填充；若为非随机缺失→保留“是否缺失”标记。
简短示例回答：“对于缺失率60%的‘用户收入’特征，我首先分析缺失是否与用户活跃度相关（非随机缺失）。考虑到重要，我会使用XGBoost模型预测缺失值，同时保留‘收入是否缺失’作为二元特征。若后续树模型效果无提升，再考虑删除该特征。”
可能追问：“如果测试集也出现同样缺失模式，训练集填充策略是否需调整？”
3. 归一化/标准化方法
面试问题：“归一化和标准化分别适用于哪些模型？请举例对比。”
面试官考察点：① 是否理解量纲影响原理 ② 对线性模型、KNN、神经网络、树模型等不同场景的选用 ③ 异常值处理意识。
回答框架：先区分Min-Max归一化（有界、受异常值影响）和Z-score标准化（无界、对异常值相对鲁棒）；再按模型给出选择：线性模型/神经网络/SVM需标准化（梯度下降收敛加快），KNN/聚类用归一化（距离计算平衡量纲），树模型无需缩放。
简短示例回答：“对于逻辑回归，我会用Z-score标准化：每个特征减去均值除以标准差，这样梯度下降更稳定。对于KNN，则用Min-Max归一化到[0,1]，但先处理异常值（如截断到3σ）以免极端值压缩正常样本距离。树模型如LightGBM不需要归一化。”
可能追问：“为什么树模型不需要归一化？如果特征尺度差异极大，树模型会不会有偏向？”
📁 项目案例：电商用户购买预测特征工程
| 项目名称 | 电商用户购买预测特征工程 |
| 业务背景 | 某B2C平台需在双11前预测用户未来7天购买概率，用于定向优惠券发放；要求模型可解释且快速迭代。 |
| 规模指标 | 训练样本500万用户、2000万订单；特征维度从原始20列扩展至120维；AUC从0.68提升至0.83。 |
| 技术栈 | Python + Pandas/Spark + XGBoost + Optuna；缺失值用中位数+模型预测；归一化用Z-score。 |
| 核心难点 | ① 用户行为稀疏（80%用户只有1-2个历史行为）→ 引入用户分群聚合统计；② 缺失率高（用户画像缺失40%）→ 用最近一次购买行为预测填充；③ 特征时间偏移（训练/测试分布不一致）→ 按天滚动窗口构造。 |
| 面试高频追问 | “为什么不用深度学习？”（数据量级不够+可解释性要求） “如何处理时间序列特征中的周期性和趋势？”（用傅里叶变换提取频域特征） “特征重要性排序如何确定？”（SHAP值与Permutation Importance结合） |
| 可迁移回答话术 | “在工业级特征工程中，我遵循‘业务理解→单变量统计→交叉组合→时序保障→验证迭代’的流水线。例如，用户活跃度特征不直接用‘登录次数’，而是构建‘近7天登录次数/历史均值’的偏离度特征，消除用户基数差异。缺失值优先用同群组填充，再考虑模型预测，并始终保留缺失标记。” |