📚 课程目录第3章单变量衍生基础

3. 单变量衍生基础：基于业务逻辑的加减乘除运算，比率与差值构造

单变量衍生是特征工程中最基础、最直观的方法。它不依赖多个变量之间的复杂交互，而是通过对单个字段施加业务逻辑变换，生成新的特征。常见的操作包括四则运算（加减乘除）以及基于这些运算构造的比率与差值。本章将系统讲解这些方法的数学原理、适用场景及实现要点。

3.1 加减乘除运算的业务逻辑

四则运算在单变量衍生中通常用于对原始数值进行缩放、偏移或归一化处理。下表总结了每种运算的典型业务场景与数学形式：

运算	数学形式	典型业务场景	示例
加法	\( x' = x + c \)	偏移调整、消除负值、引入常数基准	将收入字段加 1 后取对数
减法	\( x' = x - c \)	去均值、中心化、计算偏离基准的程度	用户年龄减去行业平均年龄
乘法	\( x' = x \times k \)	单位转换、权重缩放、标准化到特定范围	将金额从元转换为万元（×0.0001）
除法	\( x' = x / d \)	归一化、比率构造、消除量纲影响	消费金额除以用户历史平均消费

实践提示：加减法主要用于调整分布位置，乘除法用于调整尺度。在金融风控模型中，常对收入、负债等字段先做除法（如收入/地区中位数）消除地域差异，再做减法（如减去行业均值）实现中心化。

3.2 比率构造：从绝对数值到相对关系

比率是除法运算在特征衍生中的核心应用。它将绝对数值转化为相对关系，使模型更容易捕捉到“比例”层面的规律。常见的比率类型包括：

占比类：部分与整体的比值，如“信用卡消费占比 = 信用卡消费金额 / 总消费金额”。
密度类：数值与单位量的比值，如“人均消费 = 总消费金额 / 用户数”。
变化率类：增量与基期的比值，如“月增长率 = (本月值 - 上月值) / 上月值”。
标准化比率：数值与统计基准的比值，如“收入倍数 = 用户收入 / 当地平均收入”。

比率构造的关键在于分母的选择。分母必须具有业务意义且不为零。当分母可能为零时，需要加入平滑项（如加 1 或加极小值）或进行特殊编码。

  案例：信贷评分中的负债比率

  原始字段：月收入（income）、月还款额（repayment）。

  衍生特征：负债收入比（DTI）= repayment / income。

  业务逻辑：DTI 越高，借款人还款压力越大，违约风险越高。该比率比单独使用 repayment 或 income 更具判别力。

3.3 差值构造：捕捉变化与偏离

差值是减法运算在特征衍生中的核心应用。它用于衡量数值的变化幅度或偏离程度。常见的差值类型包括：

时间差值：同一实体在不同时间点的数值差，如“本月消费 - 上月消费”。
基准差值：数值与某个固定基准的差，如“用户年龄 - 18”。
统计差值：数值与群体统计量的差，如“用户收入 - 行业平均收入”。
阈值差值：数值与业务阈值的差，如“信用分 - 600（及格线）”。

差值构造可以单独使用，也可以与比率结合形成“变化率”特征。例如，先计算差值（本月值 - 上月值），再除以基期值（上月值），就得到了增长率。

3.4 单变量衍生的完整流程

下图展示了从原始字段到衍生特征的标准流程，包含业务逻辑映射、运算执行与质量检查三个核心阶段。

3.5 代码实现示例

以下 Python 代码展示了如何使用 Pandas 对单个字段进行比率与差值构造：

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame({
    'user_id': [1, 2, 3, 4],
    'income': [5000, 8000, 6000, 12000],
    'debt': [1500, 2000, 1800, 3000],
    'age': [25, 35, 28, 42],
    'monthly_spend': [2000, 3500, 2500, 5000]
})

# 比率构造：负债收入比
df['dti_ratio'] = df['debt'] / df['income']

# 比率构造：消费收入比
df['spend_income_ratio'] = df['monthly_spend'] / df['income']

# 差值构造：年龄偏离基准（基准=30岁）
df['age_deviation'] = df['age'] - 30

# 差值构造：消费与收入之差（绝对剩余）
df['income_minus_spend'] = df['income'] - df['monthly_spend']

# 组合构造：变化率（假设上月消费已知）
df['last_month_spend'] = [1800, 3200, 2400, 4800]
df['spend_growth_rate'] = (df['monthly_spend'] - df['last_month_spend']) / df['last_month_spend']

print(df[['user_id', 'dti_ratio', 'spend_income_ratio', 
          'age_deviation', 'income_minus_spend', 'spend_growth_rate']])

3.6 常见陷阱与避坑指南

⚠ 分母为零：在构造比率时，如果分母字段存在零值，会导致无穷大或缺失值。建议在运算前检查分母最小值，必要时添加平滑项：ratio = numerator / (denominator + 1e-6)。

⚠ 极端值放大：比率和差值对极端值敏感。例如，当分母非常小时，比率会变得极大。建议在衍生后对特征进行截断（winsorize）或分箱处理。

⚠ 业务含义丢失：不要为了衍生而衍生。每个衍生特征都应能解释其业务含义。例如，“收入减去年龄”虽然数学上可行，但缺乏直观的业务解释，通常不建议使用。

3.7 单变量衍生的效果评估

衍生完成后，需要从以下维度评估特征质量：

评估维度	检查内容	合格标准
缺失率	衍生特征中 NaN 的比例	< 5%
分布合理性	是否出现极端值或异常分布	无长尾拖尾超过 3 个标准差
业务可解释性	特征是否具有明确的业务含义	能清晰描述其反映的业务规律
与目标变量的相关性	与目标变量的 IV 值或相关系数	IV > 0.02 或相关系数显著

通过系统性地应用加减乘除运算，并合理构造比率与差值，可以显著提升原始字段的信息密度，为后续的分箱与模型训练打下坚实基础。