4、统计特征工程：滑动窗口统计量（均值、方差、Z-score）、时间序列特征（夜间交易占比、间隔时间）

4.2 时间序列特征

交易行为在时间维度上具有显著的周期性规律。异常交易往往表现为时间模式上的“不合群”，例如在凌晨批量转账、交易间隔极度均匀或极度混乱。以下两个特征在风控实践中极为有效。

4.2.1 夜间交易占比

定义：在指定时间窗口（通常为过去7天或30天）内，发生在 夜间时段（如 23:00 - 05:00） 的交易笔数占总交易笔数的比例。

• 正常用户：夜间交易占比通常较低（< 5%），除非是夜班工作者或特定娱乐行业。
• 异常账户：盗刷、洗钱、机器脚本交易常集中在夜间，占比可能超过 30% 甚至 80%。
• 特征衍生：可进一步拆分为“夜间金额占比”和“夜间笔数占比”，两者结合可识别“小额高频夜间试探”行为。

4.2.2 交易间隔时间

定义：同一账户相邻两笔交易之间的时间差（单位：秒/分钟）。基于间隔时间可衍生出多个强特征：

4.2.3 时间特征工程架构

下图展示了从原始交易时间戳到最终特征向量的完整加工链路：

4.3 特征工程代码示例（Python）

以下代码展示了如何基于 Pandas 快速计算滑动窗口 Z-score 和夜间交易占比：

import pandas as pd
import numpy as np

# 假设 df 包含字段：user_id, trans_time, amount
df['trans_time'] = pd.to_datetime(df['trans_time'])
df = df.sort_values(['user_id', 'trans_time'])

# 1. 滑动窗口 Z-score（窗口大小30笔）
df['rolling_mean'] = df.groupby('user_id')['amount'] \
    .transform(lambda x: x.shift(1).rolling(30, min_periods=10).mean())
df['rolling_std'] = df.groupby('user_id')['amount'] \
    .transform(lambda x: x.shift(1).rolling(30, min_periods=10).std())
df['z_score'] = (df['amount'] - df['rolling_mean']) / df['rolling_std'].replace(0, np.nan)

# 2. 夜间交易占比（过去7天）
df['hour'] = df['trans_time'].dt.hour
df['is_night'] = df['hour'].between(23, 5) | df['hour'].between(0, 5)

# 按用户+日期窗口聚合
night_ratio = df.set_index('trans_time').groupby('user_id')['is_night'] \
    .rolling('7D').mean().reset_index()
night_ratio.columns = ['user_id', 'trans_time', 'night_ratio_7d']
df = df.merge(night_ratio, on=['user_id', 'trans_time'], how='left')

# 3. 交易间隔特征
df['prev_time'] = df.groupby('user_id')['trans_time'].shift(1)
df['interval_sec'] = (df['trans_time'] - df['prev_time']).dt.total_seconds()

# 窗口内间隔统计
interval_stats = df.groupby('user_id')['interval_sec'] \
    .rolling(30, min_periods=5).agg(['mean', 'std', 'min']).reset_index()
interval_stats.columns = ['user_id', 'idx', 'interval_mean', 'interval_std', 'interval_min']
df = df.merge(interval_stats, left_index=True, right_on='idx', how='left')