4. 特征工程入门：特征分类、提取与初步筛选

在支付风控评分通道中，原始数据（交易流水、设备指纹、用户画像）无法直接输入模型。特征工程是将原始数据转化为模型可理解、可区分的数值化表达的过程。本章聚焦三类核心特征的处理方法、提取技巧与初步筛选策略。

4.1 特征分类：数值型、类别型、时间型

支付风控特征按数据性质可分为三大类，每类对应不同的预处理与编码方式：

4.2 特征提取方法

特征提取是从原始数据中构造新特征的过程，是风控模型效果提升的关键环节。以下为支付场景最常用的三种提取方法：

4.2.1 聚合统计特征

基于用户、设备、IP 等维度，在历史时间窗口内做统计聚合：

• 窗口长度： 过去 1 小时、24 小时、7 天、30 天
• 统计量： 交易次数、金额总和、金额均值、金额标准差、最大/最小值
• 比率特征： 失败率、退款率、大额交易占比

# 示例：计算用户过去24小时交易次数与金额均值
import pandas as pd

df['tx_time'] = pd.to_datetime(df['tx_time'])
df = df.sort_values(['user_id', 'tx_time'])

# 滑动窗口聚合
df['tx_count_24h'] = df.groupby('user_id')['tx_id'].transform(
    lambda x: x.rolling('24h', min_periods=1).count()
)
df['amt_mean_24h'] = df.groupby('user_id')['amount'].transform(
    lambda x: x.rolling('24h', min_periods=1).mean()
)

4.2.2 时序与周期特征

从时间戳中提取周期性信号，捕捉异常交易时段：

• 基础拆解： 小时、星期几、是否周末、是否节假日
• 周期编码： 使用 sin/cos 变换处理小时、月份等循环变量
• 间隔特征： 当前交易距上次交易的时间间隔（秒/分钟）

# 时间拆解与周期编码示例
df['hour'] = df['tx_time'].dt.hour
df['day_of_week'] = df['tx_time'].dt.dayofweek
df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int)

# 周期编码：将小时映射到单位圆
df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24)
df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24)

4.2.3 交叉组合特征

将两个或多个特征组合，捕获非线性交互关系：

• 类别×类别： 支付渠道 × 国家代码 → 新类别
• 数值×数值： 金额 × 设备年龄 → 交互项
• 类别×数值： 按支付渠道分组后的金额均值

4.3 特征重要性初步筛选

特征提取后通常会产生数百维特征，直接建模会导致过拟合与计算开销。需通过初步筛选保留高区分度特征。常用方法分为三类：

4.3.1 过滤法（Filter）

独立于模型，基于统计指标快速排序：

• 方差阈值： 删除方差接近 0 的常值特征
• 相关系数： 计算特征与目标变量（是否欺诈）的 Pearson 或 Spearman 相关系数
• 信息价值（IV）： 风控领域经典指标，IV > 0.02 为弱预测力，> 0.1 为中等，> 0.3 为强

4.3.2 包裹法（Wrapper）

以模型效果为评价标准，迭代搜索最优特征子集：

• 递归特征消除（RFE）： 每次训练后删除权重最小的特征，递归至指定数量
• 前向/后向搜索： 逐步添加或删除特征，监控 AUC 或 KS 变化

4.3.3 嵌入法（Embedded）

在模型训练过程中自动完成特征选择：

• 树模型特征重要性： LightGBM / XGBoost 输出的 feature_importance（gain / split）
• L1 正则化（Lasso）： 将不重要特征的系数压缩为 0

4.4 实战要点总结