4. 特征工程基础：数值型特征标准化、类别型特征编码、时间特征提取

在构建坏账率预警模型前，原始数据通常包含数值、类别、时间三种异构字段。特征工程的目标是将这些原始字段转换为 LightGBM 能够高效处理的数值矩阵。本章聚焦三类核心变换：数值型标准化、类别型编码、时间特征提取，并给出在风控场景下的选型建议。

4.1 数值型特征标准化

风控特征如“近6个月平均负债率”“历史最大逾期天数”等，量纲差异极大。标准化可消除量纲影响，提升模型训练稳定性。

# 使用训练集统计量标准化测试集
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)   # 仅 transform，不 fit

4.2 类别型特征编码

风控数据中常见的类别特征包括：职业类型、学历、婚姻状况、地区编码、产品类型等。LightGBM 原生支持类别特征（需指定 categorical_feature 参数），但预处理阶段仍需将字符串映射为整数。

4.2.1 编码方法对比

# LightGBM 原生类别特征处理
import lightgbm as lgb

# 假设 'occupation' 和 'region' 是类别特征
cat_cols = ['occupation', 'region']

# 先做 Label Encoding
from sklearn.preprocessing import LabelEncoder
for col in cat_cols:
    le = LabelEncoder()
    X_train[col] = le.fit_transform(X_train[col])
    X_test[col] = le.transform(X_test[col])

# 训练时指定类别特征
train_data = lgb.Dataset(X_train, label=y_train, categorical_feature=cat_cols)

4.3 时间特征提取

风控数据中的时间字段（如申请日期、逾期发生日期、最近还款日期）不能直接作为数值输入，必须拆解为有业务含义的特征。

4.3.1 时间特征拆解框架

下图展示了从原始时间戳到三类特征（周期性、趋势性、事件性）的提取流程：

4.3.2 关键时间特征构造示例

import pandas as pd
import numpy as np

# 假设 df 包含 'apply_date' 列（申请日期）
df['apply_date'] = pd.to_datetime(df['apply_date'])

# 周期性特征
df['apply_month'] = df['apply_date'].dt.month
df['apply_weekday'] = df['apply_date'].dt.weekday
df['apply_day'] = df['apply_date'].dt.day
df['apply_quarter'] = df['apply_date'].dt.quarter

# 趋势性特征（以 '2025-01-01' 为参考日期）
ref_date = pd.Timestamp('2025-01-01')
df['days_since_ref'] = (ref_date - df['apply_date']).dt.days

# 事件性特征：是否在发薪日（假设每月10日、25日）
df['is_payday'] = df['apply_date'].dt.day.isin([10, 25]).astype(int)

# 距上次逾期天数（需先按用户排序）
df = df.sort_values(['user_id', 'apply_date'])
df['days_since_last_overdue'] = df.groupby('user_id')['overdue_flag'] \
    .transform(lambda x: (x == 1).cumsum().shift(1))  # 简化示例

4.4 特征工程流水线整合

在实际项目中，建议将上述三类变换封装为统一的 Pipeline，确保训练与线上推理的一致性。

from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, LabelEncoder

# 定义列类型
num_cols = ['income', 'debt_ratio', 'credit_score']
cat_cols = ['occupation', 'region']
time_cols = ['apply_date']

# 数值型标准化
num_transformer = Pipeline(steps=[
    ('scaler', StandardScaler())
])

# 类别型编码（Label Encoding + 指定 categorical_feature）
# 注意：LabelEncoder 需在 Pipeline 外先 fit，或使用自定义 Transformer
# 此处仅展示结构，实际需配合 FunctionTransformer

preprocessor = ColumnTransformer(
    transformers=[
        ('num', num_transformer, num_cols),
        # 类别和时间特征在外部预处理后直接传入
    ])

# 最终特征矩阵：数值标准化 + 类别整数编码 + 时间衍生特征