2. 风控数据基础：交易数据特征工程概述
交易风控模型的性能上限，往往在特征工程阶段就已决定。原始交易日志包含用户ID、金额、时间戳、设备指纹、IP地址等字段，但这些原始字段无法直接输入XGBoost模型。特征工程的目标是将原始数据转化为能够刻画“正常交易”与“欺诈交易”之间差异的数值化特征。
核心原则： 风控特征必须具有区分度（欺诈与正常分布不同）、稳定性（随时间变化可控）和可解释性（业务逻辑可理解）。
2.1 常见风控特征体系
交易风控特征通常分为五大维度：金额、频次、时间、设备与地理位置。下表总结了每个维度的典型特征及其业务含义。
| 维度 | 典型特征 | 业务含义与欺诈模式 |
|---|---|---|
| 金额 | 交易金额、历史平均金额、金额标准差、金额与历史均值的偏差比 | 欺诈交易常出现“大额突增”或“精确整数金额”（如9999.00） |
| 频次 | 过去1小时/24小时/7天交易次数、同一设备/IP关联账户数 | 高频交易、短时间内大量尝试不同账户是典型机器人行为 |
| 时间 | 交易时刻（凌晨/白天）、距离上次交易间隔、是否在节假日 | 凌晨3-5点交易、与历史活跃时段严重偏离属于高危信号 |
| 设备 | 设备ID、设备是否root/越狱、模拟器检测、浏览器指纹 | 模拟器、改机工具、设备ID频繁更换是团伙欺诈的典型特征 |
| 地理位置 | IP归属地、GPS坐标、IP与GPS是否匹配、常用登录城市 | IP与GPS跨省/跨国不匹配、短时间内无法到达的地理跳跃 |
实战提示： 在XGBoost模型中，频次类特征和金额偏差类特征通常具有最高的特征重要性（Feature Importance）。建议优先构建这两类特征。
2.2 特征工程核心流程
从原始交易日志到模型可用的特征矩阵，通常需要经过以下步骤：
- 数据清洗： 去除重复交易、修正格式错误、统一时间戳时区。
- 基础特征提取： 从原始字段直接提取，如交易金额、交易时间戳的“小时”字段。
- 统计聚合特征： 按用户ID、设备ID、IP等维度进行滑动窗口聚合（均值、最大值、标准差、计数）。
- 交叉特征： 将两个或多个基础特征组合，如“金额/历史平均金额”、“IP所在城市与GPS所在城市是否一致”。
- 编码与归一化： 类别特征进行Label Encoding或Target Encoding；连续特征进行标准化或分箱。
2.3 数据质量与缺失值处理
真实交易数据中，缺失值、异常值和重复数据是常态。数据质量直接决定模型的上限。常见的数据质量问题包括：
- 缺失值： 设备指纹（如IMEI）可能因权限限制而缺失；地理位置信息可能因用户关闭GPS而缺失。
- 异常值： 交易金额为0或负数、时间戳为未来时间、IP地址为内网保留地址。
- 重复数据： 网络重试导致同一笔交易被记录多次。
2.4 缺失值处理策略
针对风控场景，缺失值处理不能简单使用均值填充，因为“缺失”本身可能就是一个强信号。例如，设备指纹缺失往往意味着用户使用了隐私保护工具，这本身就是高风险行为。
| 特征类型 | 推荐策略 | 风控场景说明 |
|---|---|---|
| 设备指纹 | 填充为“UNKNOWN”或“MISSING”类别 | 缺失本身是高风险信号，应保留为独立类别 |
| 地理位置 | 填充为“0,0”或“UNKNOWN” | 缺失时无法校验IP与GPS一致性，应标记为异常 |
| 连续数值（如金额） | 填充为-1或中位数 | 金额缺失极少见，若出现则填充为-1以便模型识别 |
| 类别特征（如卡类型） | 填充为“OTHER”或“MISSING” | 保持类别完整性，避免引入偏差 |
避坑指南： 不要对风控特征使用“均值填充”或“众数填充”。欺诈样本的缺失模式与正常样本完全不同，均值填充会抹杀这种差异，导致模型失效。始终将“缺失”视为一种有价值的信息。
2.5 数据质量监控与特征验证
在特征工程完成后，必须进行数据质量验证，确保特征矩阵可以被XGBoost正常消费。验证清单如下：
- 完整性检查： 特征矩阵是否存在全空列？是否存在全空行？
- 数值范围检查： 连续特征是否存在无穷大或NaN值？XGBoost无法处理NaN，必须提前处理。
- 类别平衡检查： 类别特征中是否存在某个类别占比超过99%？这类特征对模型贡献极低，建议剔除。
- 时间一致性检查： 训练集与测试集的特征分布是否一致？是否存在时间穿越（未来数据泄露到过去）？
2.6 实战代码示例：特征工程与缺失值处理
以下代码展示了使用Python进行交易数据特征工程与缺失值处理的核心逻辑。该代码片段可直接用于生产环境的数据预处理管道。
import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder
# 加载原始交易数据
df = pd.read_csv('transactions.csv')
# 1. 基础特征提取
df['transaction_hour'] = pd.to_datetime(df['transaction_time']).dt.hour
df['is_night'] = (df['transaction_hour'] < 6).astype(int)
# 2. 统计聚合特征（按用户ID滑动窗口）
user_stats = df.groupby('user_id').agg(
avg_amount_1h=('amount', lambda x: x.rolling(60, min_periods=1).mean().iloc[-1]),
tx_count_24h=('transaction_id', lambda x: x.rolling(1440, min_periods=1).count().iloc[-1])
).reset_index()
# 3. 交叉特征
df['amount_deviation'] = df['amount'] / (df['avg_amount_1h'] + 1e-8)
# 4. 缺失值处理（风控专用策略）
df['device_id'].fillna('MISSING_DEVICE', inplace=True)
df['gps_coord'].fillna('0,0', inplace=True)
df['amount'].fillna(-1, inplace=True)
# 5. 类别特征编码
le = LabelEncoder()
df['device_id_encoded'] = le.fit_transform(df['device_id'])
print("特征工程完成，特征矩阵形状:", df.shape)
print("缺失值数量:", df.isnull().sum().sum())
关键点： 上述代码中，
rolling(60, min_periods=1) 表示使用过去60分钟的交易数据进行滑动窗口聚合。在实际生产中，窗口大小需要根据业务场景调整，通常为5分钟、1小时、24小时和7天四个粒度。
2.7 本章小结
交易风控特征工程是XGBoost模型成功的基础。本章重点介绍了金额、频次、时间、设备、地理位置五大维度的特征构建方法，以及风控场景下特有的缺失值处理策略。核心要点包括：
- 特征必须具有区分度、稳定性和可解释性。
- 频次类和金额偏差类特征通常具有最高的模型重要性。
- 缺失值在风控中应视为信息，而非噪声，推荐使用“MISSING”或“UNKNOWN”填充。
- 数据质量监控是特征工程不可或缺的环节，必须在上线前完成完整性、数值范围、类别平衡和时间一致性检查。