4. 特征工程入门：特征构建思路、时间窗口特征、聚合特征、比率特征、特征选择方法

在坏样本归因与催收分析（Collections Analytics）中，原始数据通常无法直接用于建模。特征工程是将原始数据转化为模型可理解、可区分的数值化信息的过程。本章聚焦于催收场景下最核心的四大特征构建思路与特征选择方法，帮助您从海量交易与行为日志中提取高价值信号。

4.1 特征构建的核心思路

特征构建的本质是业务理解 + 数据变换。在催收分析中，我们关注的核心问题是：“哪些行为模式预示着客户将长期逾期或失联？” 基于此，特征构建应遵循以下三条原则：

• 可解释性优先：特征需能映射到具体的催收动作或客户行为，如“近7天联系次数”比“PCA降维后的第3主成分”更具业务指导意义。
• 时间敏感性：逾期行为具有明显的时序衰减或恶化趋势，特征必须包含时间窗口信息。
• 群体对比性：单一绝对值意义有限，需结合比率、排名或群体均值进行对比。

4.2 时间窗口特征

时间窗口特征是催收分析中最常用的特征类型，用于捕捉客户行为在特定时间段内的变化趋势。常见的窗口包括：近3天、近7天、近14天、近30天、近90天。

构建时间窗口特征时，需注意窗口对齐问题：所有特征必须基于同一个“观察截止日”进行回溯，避免未来信息泄露。

# 示例：基于Python构建近7天联系次数特征
import pandas as pd

def build_contact_count_feature(df, contact_log, window_days=7):
    """
    df: 客户主表，包含客户ID与观察截止日
    contact_log: 联系日志表，包含客户ID、联系时间、联系结果
    """
    # 计算每个客户在观察截止日前window_days天内的联系次数
    merged = df.merge(contact_log, on='customer_id', how='left')
    mask = (merged['contact_time'] >= merged['obs_date'] - pd.Timedelta(days=window_days)) & \
           (merged['contact_time'] <= merged['obs_date'])
    feature = merged[mask].groupby('customer_id').size().reset_index(name=f'contact_{window_days}d')
    return df.merge(feature, on='customer_id', how='left')

4.3 聚合特征

聚合特征是对客户在某个维度上的行为数据进行统计汇总，常见的聚合函数包括：计数、求和、均值、最大值、最小值、标准差、最近值。在催收场景中，聚合特征常用于处理“催收员-客户”交互记录。

• 计数类：总联系次数、总承诺还款次数、总失联次数。
• 统计量类：平均通话时长、最长通话间隔、还款金额标准差。
• 序列类：最近一次联系结果、最近一次还款日期距观察日天数。

4.4 比率特征

比率特征通过将两个相关指标相除，消除量纲影响，反映客户行为的效率、密度或转化率。在催收分析中，比率特征往往比绝对值特征更具区分度。

# 比率特征构建示例
def build_ratio_features(df):
    # 联系接通率
    df['contact_connect_rate'] = df['connected_count'] / (df['total_contact_count'] + 1e-6)
    # 承诺履约率
    df['promise_fulfill_rate'] = df['actual_payment_count'] / (df['promise_count'] + 1e-6)
    # 还款金额占比
    df['repayment_ratio'] = df['paid_amount'] / (df['total_due_amount'] + 1e-6)
    # 处理分母为0的情况
    df.loc[df['total_contact_count'] == 0, 'contact_connect_rate'] = -1
    df.loc[df['promise_count'] == 0, 'promise_fulfill_rate'] = -1
    return df

4.5 特征选择方法

特征构建完成后，通常会产生数百甚至上千个特征。特征选择的目标是剔除冗余、噪声特征，提升模型泛化能力与训练效率。常用的特征选择方法分为三类：

• 过滤法（Filter）：基于统计指标（如IV值、卡方检验、相关系数）对特征进行排序，选择Top-K特征。计算效率高，但忽略特征间交互。
• 包裹法（Wrapper）：使用模型性能（如AUC）作为评价指标，通过递归特征消除（RFE）或前向/后向搜索选择最优特征子集。效果较好，但计算成本高。
• 嵌入法（Embedded）：在模型训练过程中自动进行特征选择，如L1正则化（Lasso）、树模型的特征重要性。兼顾效率与效果，是工业界首选。

4.6 特征工程实战清单

在完成本章学习后，请对照以下清单检查您的特征工程流程：

1. 时间窗口对齐：所有特征是否基于同一个观察截止日？
2. 聚合函数选择：是否针对不同业务场景选择了合适的聚合函数（计数、均值、最近值等）？
3. 比率特征分母处理：是否处理了分母为0或缺失的情况？
4. 特征选择验证：是否在验证集上评估了特征选择后的模型性能变化？
5. 特征存储与版本管理：是否记录了每个特征的构建逻辑与参数，便于后续回溯与迭代？