📚 课程目录第3章特征工程概述

3. 特征工程概述：特征定义、特征类型与业务应用

特征工程是金融图谱建模的核心环节，其质量直接决定模型性能的上限。在风控与营销场景中，特征不仅是原始数据的数学映射，更是业务逻辑的量化表达。本节从定义、类型划分到业务落地，系统梳理特征工程的基础框架。

3.1 特征定义：从数据到模型的语言

特征（Feature）是用于描述观测对象某一可测量属性的数值化或类别化表示。在金融图谱中，特征通常来源于用户属性、交易行为、关系网络等异构数据源。一个有效的特征需满足：区分度（正负样本分布差异显著）、稳定性（跨时间窗口分布波动小）、可解释性（业务含义清晰）。

核心原则：特征不是数据的简单搬运，而是通过聚合、变换、组合等方式提炼出的信息浓缩体。例如，原始交易金额是数据，而“近30天交易金额的变异系数”才是特征。

3.2 特征类型：数值、类别与时序

根据数据形态与建模方式，金融特征可划分为三大基础类型。下表对比了各类特征的核心属性与典型处理方式：

特征类型	定义	典型示例	常用处理方式	风控场景	营销场景
数值特征	连续或离散的定量度量	收入、负债率、交易金额	标准化、分箱、对数变换	信用评分卡阈值	客群价值分层
类别特征	有限离散值的定性标签	职业、地区、设备类型	独热编码、目标编码、频次编码	欺诈团伙识别	偏好画像细分
时序特征	带时间维度的序列数据	近7天交易频次、还款间隔	滑窗统计、差分、趋势分解	逾期预警模型	响应时效预测

三类特征并非孤立存在，实际业务中常通过交叉组合生成高阶特征。例如，将“近30天交易金额（数值）”与“交易时段（类别）”组合，可得到“夜间大额交易次数”这一强区分度特征。

3.3 特征在风控与营销中的应用

特征工程在不同业务场景中的侧重点差异显著。以下从风控与营销两个维度展开：

3.3.1 风控场景：以稳定性和区分度为核心

反欺诈识别：利用图谱特征（如二度关联节点数、设备共用率）捕捉团伙欺诈模式。类别特征中的“设备指纹”与数值特征中的“IP地址变更频次”是关键输入。
信用评估：时序特征（如近6个月逾期次数趋势）与数值特征（如收入负债比）共同构成评分卡基础。特征稳定性（PSI < 0.1）是模型上线前的硬性门槛。
贷后预警：通过滑窗统计特征（如近3天联系人失联比例）实时捕捉风险信号，要求特征计算延迟低于分钟级。

3.3.2 营销场景：以响应率和转化率为导向

精准推荐：类别特征（如历史点击品类）与数值特征（如近7天浏览时长）组合，构建用户兴趣向量。时序特征中的“购买间隔”用于预测复购窗口。
客群分层：基于RFM模型（最近一次消费、频率、金额）的数值特征，将用户划分为高价值、沉睡、流失等群体。类别特征中的“渠道来源”辅助归因分析。
响应预测：时序特征（如近30天打开推送次数）与类别特征（如活动偏好标签）共同输入LR或XGBoost模型，提升营销活动ROI。

  关键差异总结：风控特征更关注长周期稳定性与异常捕获能力；营销特征更关注短期行为响应与群体区分粒度。同一原始数据（如交易金额）在风控中可能做对数变换以压缩极端值，在营销中则可能做分箱以形成价值等级。

3.4 特征工程全景流程

下图展示了从原始数据到建模特征的标准处理链路，涵盖特征定义、类型识别、加工与监控四个阶段：

3.5 特征缺失巡检的定位

特征缺失是金融图谱建模中最常见的数据质量问题。缺失原因包括：数据采集失败、关系图谱稀疏、时间窗口未覆盖等。在特征工程流程中，缺失巡检应嵌入特征加工后、模型训练前的环节，作为质量门禁。

常见误区：直接删除含缺失值的样本或特征，可能导致样本选择偏差或信息损失。正确的做法是先分析缺失机制（MCAR / MAR / MNAR），再选择填充策略（均值填充、模型预测填充、图谱邻居填充）。

以下代码展示了使用Python进行特征缺失率统计与类型识别的基础实现：

import pandas as pd
import numpy as np

# 模拟金融特征数据
df = pd.DataFrame({
    'income': [5000, 8000, np.nan, 12000, 6500],
    'age': [25, 30, 35, np.nan, 28],
    'occupation': ['engineer', 'teacher', 'doctor', 'engineer', np.nan],
    'trans_amount_7d': [1200, np.nan, 800, 2000, 1500]
})

# 特征缺失率统计
missing_rate = df.isnull().mean().round(4) * 100
print("=== 特征缺失率 (%) ===")
print(missing_rate)

# 特征类型自动识别
def infer_feature_type(series):
    if series.dtype in ['int64', 'float64']:
        if series.nunique() < 10:
            return '类别（数值型枚举）'
        else:
            return '数值'
    elif series.dtype == 'object':
        return '类别'
    else:
        return '其他'

print("\n=== 特征类型推断 ===")
for col in df.columns:
    ftype = infer_feature_type(df[col])
    print(f"{col}: {ftype}")