3. 特征工程基础：特征分类、特征衍生、特征存储格式

特征工程是风控模型从原始数据到有效预测能力的核心桥梁。在坏账率回测哨兵系统中，特征的质量直接决定哨兵能否在早期准确识别资产质量恶化信号。本章从特征分类、特征衍生、存储格式三个维度，建立特征工程的基础知识体系。

3.1 特征分类：从数据源到业务语义

风控场景中的特征可按数据来源、时间窗口、业务含义三个维度进行分类。不同分类方式对应不同的处理策略和存储要求。

3.2 特征衍生：从原始数据到高价值信号

特征衍生是将原始字段转化为更具预测能力的特征变量的过程。在风控回测场景中，常用的衍生方法包括统计聚合、时间窗口计算、比率构造、交叉组合等。

3.2.1 常用衍生方法

• 统计聚合：对数值型字段计算均值、最大值、最小值、标准差、分位数等。
• 时间窗口计算：按固定时间窗口（7天、30天、90天）滑动计算统计量。
• 比率构造：两个相关字段的比值，如逾期金额 / 总应还金额。
• 交叉组合：类别型字段的笛卡尔积，如职业 × 城市等级。
• 排序编码：对类别型字段按目标变量均值排序后编码。

3.2.2 特征衍生代码示例

import pandas as pd
import numpy as np

# 原始数据示例
df = pd.DataFrame({
    'user_id': [1001, 1002, 1003],
    'due_date': pd.to_datetime(['2024-01-15', '2024-02-10', '2024-03-05']),
    'repay_date': pd.to_datetime(['2024-01-14', '2024-02-15', '2024-03-10']),
    'loan_amount': [5000, 10000, 8000],
    'repay_amount': [5000, 10000, 7500]
})

# 特征衍生：逾期天数
df['overdue_days'] = (df['repay_date'] - df['due_date']).dt.days
df['overdue_days'] = df['overdue_days'].clip(lower=0)

# 特征衍生：还款率
df['repay_ratio'] = df['repay_amount'] / df['loan_amount']

# 特征衍生：是否逾期（二值化）
df['is_overdue'] = (df['overdue_days'] > 0).astype(int)

print(df[['user_id', 'overdue_days', 'repay_ratio', 'is_overdue']])

3.3 特征存储格式：Parquet vs Feather

在特征服务与回测系统中，特征数据的存储格式直接影响读写性能、存储成本和计算效率。Parquet 和 Feather 是当前最主流的两种列式存储格式，适用于不同场景。

3.3.1 格式对比

3.3.2 读写代码示例

import pandas as pd
import pyarrow.parquet as pq
import pyarrow.feather as ft

# 创建示例特征数据
feature_df = pd.DataFrame({
    'user_id': range(1, 100001),
    'overdue_days_30d': np.random.randint(0, 30, 100000),
    'avg_loan_amount_90d': np.random.uniform(1000, 50000, 100000),
    'repay_ratio_6m': np.random.uniform(0.5, 1.0, 100000),
    'is_overdue_flag': np.random.choice([0, 1], 100000, p=[0.9, 0.1])
})

# 写入 Parquet（推荐用于长期存储）
feature_df.to_parquet('features_historical.parquet', compression='snappy')

# 写入 Feather（推荐用于中间结果）
ft.write_feather(feature_df, 'features_intermediate.feather')

# 读取验证
df_parquet = pd.read_parquet('features_historical.parquet')
df_feather = ft.read_feather('features_intermediate.feather')

print(f"Parquet 行数: {len(df_parquet)}, Feather 行数: {len(df_feather)}")

3.4 特征工程在哨兵系统中的位置

下图展示了特征工程在坏账率回测哨兵系统中的核心位置，以及特征分类、衍生、存储三个环节的协作关系。

3.5 特征存储选型决策流程

在实际项目中，特征存储格式的选择需要综合考虑数据量、访问模式、计算环境等因素。以下决策流程可帮助快速确定合适的存储方案。