2. 样本工程基础：样本定义、正负样本构建、样本时间窗口设计

在支付风控建模中，样本工程是决定模型上限的基础环节。与常规机器学习任务不同，支付风控面临极端样本不平衡（欺诈交易占比通常低于 0.1%）、时序依赖强、业务概念漂移快等挑战。本章从样本定义、正负样本构建、时间窗口设计三个核心维度，系统讲解如何构建高质量的训练样本集。

2.1 样本定义：明确建模单元与粒度

样本定义的核心是回答“一条样本代表什么”。在支付风控场景中，常见的样本粒度包括：

2.2 正负样本构建：标签定义与不平衡处理

正负样本的构建直接决定模型学习的目标。在支付风控中，正样本（坏样本）通常指确认欺诈交易，负样本（好样本）指正常交易。但实际业务中标签往往存在延迟、噪声和定义模糊的问题。

2.2.1 标签来源与定义规则

2.2.2 正负样本比例与采样策略

支付风控中欺诈率通常低于 0.1%，直接训练会导致模型偏向预测“正常”。常用采样策略包括：

• 下采样（Undersampling）：随机丢弃部分负样本，使正负比例达到 1:10 ~ 1:100。适用于负样本量极大的场景。
• 上采样（Oversampling）：复制正样本或使用 SMOTE 生成合成样本。适用于正样本量极少的场景，但需注意过拟合。
• 混合采样：先对负样本下采样，再对正样本上采样，平衡样本量的同时保留多样性。
• 权重调整：不改变样本数量，在损失函数中给正样本赋予更高权重（如 class_weight='balanced'）。

2.3 样本时间窗口设计：特征与标签的时间对齐

时间窗口设计是支付风控样本工程中最容易被忽视但影响最大的环节。错误的时间窗口会导致特征泄露或标签偏移，使模型在线上失效。

2.3.1 时间窗口三要素

每条样本需要明确三个时间点：

1. 特征观察窗口（Feature Window）：用于计算特征的历史时间段。例如“过去 7 天该用户的交易次数”。
2. 标签观察窗口（Label Window）：用于判断该样本是否为正样本的时间段。例如“交易发生后 30 天内是否被确认为欺诈”。
3. 特征与标签之间的间隔（Gap）：特征窗口结束到标签窗口开始之间的缓冲期，防止特征包含未来信息。

2.3.2 常见时间窗口配置

2.3.3 时间窗口设计流程图

2.4 样本构建实战代码示例

以下代码展示如何基于交易日志构建带时间窗口的训练样本：

import pandas as pd
import numpy as np
from datetime import timedelta

def build_training_samples(transactions, label_df, feature_window_days=7, gap_days=1, label_window_days=30):
    """
    构建带时间窗口的训练样本集
    
    Parameters:
    -----------
    transactions : DataFrame
        交易日志，包含 user_id, trans_time, amount, device_id 等字段
    label_df : DataFrame
        标签表，包含 user_id, trans_id, label_time, is_fraud
    feature_window_days : int
        特征观察窗口天数
    gap_days : int
        特征窗口与标签窗口之间的间隔天数
    label_window_days : int
        标签观察窗口天数
    
    Returns:
    --------
    samples : DataFrame
        每条样本包含特征 + 标签
    """
    samples = []
    
    for _, trans in transactions.iterrows():
        t = trans['trans_time']
        
        # 特征窗口：[t - feature_window_days, t - gap_days]
        feature_start = t - timedelta(days=feature_window_days)
        feature_end = t - timedelta(days=gap_days)
        
        # 提取特征窗口内的历史交易
        hist = transactions[
            (transactions['user_id'] == trans['user_id']) & 
            (transactions['trans_time'] >= feature_start) & 
            (transactions['trans_time'] < feature_end)
        ]
        
        # 计算特征（示例：过去7天交易次数、金额均值）
        features = {
            'user_id': trans['user_id'],
            'trans_time': t,
            'trans_amount': trans['amount'],
            'hist_count_7d': len(hist),
            'hist_amount_mean_7d': hist['amount'].mean() if len(hist) > 0 else 0,
            'hist_amount_std_7d': hist['amount'].std() if len(hist) > 0 else 0,
        }
        
        # 标签窗口：[t + gap_days, t + gap_days + label_window_days]
        label_start = t + timedelta(days=gap_days)
        label_end = t + timedelta(days=gap_days + label_window_days)
        
        # 查找该交易是否在标签窗口内被确认为欺诈
        label = label_df[
            (label_df['trans_id'] == trans['trans_id']) & 
            (label_df['label_time'] >= label_start) & 
            (label_df['label_time'] < label_end)
        ]
        
        features['label'] = 1 if len(label) > 0 and label['is_fraud'].any() else 0
        samples.append(features)
    
    return pd.DataFrame(samples)

# 使用示例
# samples = build_training_samples(transactions, labels, 
#                                  feature_window_days=7, 
#                                  gap_days=1, 
#                                  label_window_days=30)

2.5 样本工程常见陷阱与避坑指南