4. 客户基础特征构建：客户类型、行业、地区、风险等级、开户时长、账户状态等静态特征编码与归一化

客户基础特征是 AML 规则引擎中最稳定、最易获取的一类特征。它们通常来自 KYC（Know Your Customer）数据，在客户生命周期内变化频率低，因此被称为“静态特征”。本章将系统讲解如何对客户类型、行业、地区、风险等级、开户时长、账户状态等核心静态特征进行编码与归一化，使其成为规则模型可用的数值化输入。

4.1 静态特征分类与原始数据形态

在开始特征工程之前，需要明确各类静态特征的原始数据类型。不同数据类型决定了后续编码与归一化的技术路线。

4.2 类别型特征的编码方法

4.2.1 One-Hot Encoding（独热编码）

适用于无序类别型特征，如客户类型、地区。将每个类别扩展为一个独立的二元特征（0/1）。

# Python 示例：使用 pandas 进行 One-Hot Encoding
import pandas as pd

df = pd.DataFrame({
    'customer_type': ['个人', '企业', '个体工商户', '个人', '企业'],
    'region': ['北京', '上海', '深圳', '北京', '广州']
})

# One-Hot Encoding
df_encoded = pd.get_dummies(df, columns=['customer_type', 'region'], prefix=['type', 'region'])
print(df_encoded.columns.tolist())
# 输出：['type_个人', 'type_企业', 'type_个体工商户', 'region_北京', 'region_上海', 'region_深圳', 'region_广州']

4.2.2 Ordinal Encoding（有序编码）

适用于有序类别型特征，如风险等级、账户状态。编码时需保持业务顺序，避免模型学到错误的排序关系。

# Python 示例：手动映射有序编码
risk_mapping = {'低风险': 1, '中风险': 2, '高风险': 3, '极高风险': 4}
df['risk_level_encoded'] = df['risk_level'].map(risk_mapping)

status_mapping = {'正常': 1, '休眠': 2, '冻结': 3, '销户': 4}
df['account_status_encoded'] = df['account_status'].map(status_mapping)

4.2.3 Target Encoding（目标编码）

适用于高基数类别特征，如行业、地区。用目标变量（如是否涉洗钱）的统计量（均值、中位数）替换原始类别。

# Python 示例：Target Encoding（需配合交叉验证防止过拟合）
from category_encoders import TargetEncoder

encoder = TargetEncoder(cols=['industry', 'region'])
df['industry_target_enc'] = encoder.fit_transform(df['industry'], df['is_aml_flag'])
df['region_target_enc'] = encoder.fit_transform(df['region'], df['is_aml_flag'])

4.3 数值型特征的归一化与分箱

4.3.1 开户时长归一化

开户时长（Account Age）是连续数值型特征，取值范围可能从 0 天到数十年。直接输入模型会导致量纲差异，需进行归一化。

# Python 示例：开户时长归一化与分箱
from sklearn.preprocessing import MinMaxScaler, StandardScaler
import numpy as np

# 原始数据
account_age_days = np.array([30, 180, 365, 730, 1095, 1825, 3650]).reshape(-1, 1)

# Min-Max 归一化
scaler_minmax = MinMaxScaler()
age_minmax = scaler_minmax.fit_transform(account_age_days)

# Z-Score 标准化
scaler_std = StandardScaler()
age_zscore = scaler_std.fit_transform(account_age_days)

# 分箱（业务含义分箱）
bins = [0, 90, 365, 730, 1825, np.inf]
labels = ['新开户', '短期', '中期', '长期', '老客户']
df['account_age_bin'] = pd.cut(df['account_age_days'], bins=bins, labels=labels)

4.3.2 账户状态与开户时长的交叉特征

单一特征往往不足以刻画风险。将账户状态与开户时长组合，可以构建更有区分度的交叉特征。

4.4 特征归一化的业务考量

在 AML 场景中，归一化不仅仅是数学变换，还需要结合业务含义进行决策。

• Min-Max 归一化：适用于开户时长、交易金额等有明确业务上下界的特征。例如，开户时长上限可设为 3650 天（约 10 年），超过该值的客户统一视为“老客户”。
• Z-Score 标准化：适用于分布相对对称的特征。若开户时长分布严重右偏（大量新客户 + 少量老客户），建议先做对数变换再标准化。
• 分箱（Binning）：当特征与目标变量存在非线性关系时（如新开户和极老客户风险较高，中期客户风险较低），分箱可以捕捉这种 U 型关系。

4.5 特征编码后的维度管理与存储

完成编码与归一化后，需要将特征存储为模型可读取的格式。推荐使用稀疏矩阵存储 One-Hot 编码后的高维特征，以节省内存。

# Python 示例：使用稀疏矩阵存储 One-Hot 编码结果
from scipy.sparse import hstack, csr_matrix
from sklearn.preprocessing import OneHotEncoder

# 原始类别特征
cat_features = df[['customer_type', 'region']].values

# One-Hot 编码（返回稀疏矩阵）
encoder = OneHotEncoder(sparse_output=True, handle_unknown='ignore')
cat_encoded = encoder.fit_transform(cat_features)

# 数值特征（已归一化）
num_features = csr_matrix(df[['account_age_scaled', 'risk_level_encoded']].values)

# 合并为最终特征矩阵
final_features = hstack([cat_encoded, num_features])
print(f"最终特征矩阵形状: {final_features.shape}")
# 输出：最终特征矩阵形状: (100000, 45)

4.6 本章小结