4. 特征工程基础：特征类型分类、缺失值处理、异常值检测与处理、特征编码

在构建行情坏账率哨兵模型时，原始数据通常包含大量噪声、缺失值和格式不统一的字段。特征工程是将原始数据转化为模型可理解、可学习的数值特征的关键步骤。本章将系统讲解特征工程中的四大核心环节：特征类型分类、缺失值处理、异常值检测与处理、特征编码。

4.1 特征类型分类

金融数据中的特征通常分为三类，不同类型的特征需要采用不同的处理方法：

4.2 缺失值处理

金融数据中缺失值普遍存在，原因包括数据采集失败、用户未填写、系统故障等。缺失值处理不当会导致模型偏差或信息损失。常见处理方法如下：

1. 删除法：直接删除包含缺失值的样本或特征。适用于缺失比例极低（<5%）或特征重要性低的情况。
2. 均值/中位数填充：用该特征的均值或中位数填充缺失值。适用于数值型特征，对异常值不敏感时优先用中位数。
3. 众数填充：用该特征出现频率最高的值填充。适用于分类型特征。
4. 前向/后向填充：用时间序列中相邻时刻的值填充。适用于时序数据，如连续多日的行情指标。
5. 模型预测填充：将缺失特征作为目标变量，用其他特征训练模型预测缺失值。精度高但计算成本大。

4.3 异常值检测与处理

异常值会严重干扰XGBoost模型的训练，导致树结构偏向极端值。在金融风控中，异常值可能代表欺诈、数据录入错误或极端市场行情。常用检测方法包括：

处理异常值的常用策略：

• 截尾处理（Winsorization）：将异常值替换为阈值（如1%和99%分位数）。
• 删除：确认异常值由错误产生时直接删除。
• 单独建模：将异常样本单独分析，不参与主模型训练。

4.4 特征编码

XGBoost只能处理数值型输入，因此所有非数值特征必须转换为数值形式。特征编码是将分类型和有序型特征转化为模型可理解数值的过程。

4.4.1 独热编码（One-Hot Encoding）

将每个类别扩展为一个二进制特征（0或1）。适用于类别数较少（通常 < 20）的分类型特征。

# 示例：将"城市"特征进行独热编码
# 原始：["北京", "上海", "广州"]
# 编码后：
#   北京 → [1, 0, 0]
#   上海 → [0, 1, 0]
#   广州 → [0, 0, 1]

4.4.2 标签编码（Label Encoding）

为每个类别分配一个整数标签。适用于有序型特征（如信用评级A→1, B→2, C→3）。对于无序分类型特征，标签编码会引入虚假顺序关系，需谨慎使用。

4.4.3 目标编码（Target Encoding）

用目标变量（坏账率）的统计量（如均值）替换类别值。能有效捕捉类别与目标的关系，但容易过拟合，需配合交叉验证使用。

# 目标编码示例（Python伪代码）
# 对于特征"行业"，计算每个行业的平均坏账率
# 行业A坏账率均值 = 0.05
# 行业B坏账率均值 = 0.12
# 将行业A编码为0.05，行业B编码为0.12

4.5 特征工程实战流程总结

在行情坏账率哨兵项目中，建议按以下顺序执行特征工程：

1. 数据加载与概览：读取原始数据，查看特征数量、类型、缺失率。
2. 特征类型分类：将特征分为数值型、分类型、有序型，分别记录。
3. 缺失值处理：按缺失率分层处理，优先使用中位数/众数填充。
4. 异常值检测：使用IQR法或孤立森林检测异常值，结合业务判断处理方式。
5. 特征编码：对分类型特征选择合适的编码方法，避免维度灾难。
6. 特征缩放（可选）：XGBoost对特征尺度不敏感，但标准化有助于加速收敛。