特征工程其质量直接决定模型性能，优质的特征能让简单模型达到复杂模型的效果，而劣质特征则可能导致模型失效，Pandas提供了丰富的函数用于特征提取、转换和选择。本文我将系统讲解如何利用Pandas进行特征工程，从数据类型转换到高级特征创建，覆盖特征工程的全流程关键技术。

一、特征工程的核心目标

特征工程的本质是将原始数据转化为模型可理解的特征，核心目标包括：

• 信息保留：最大限度保留原始数据中的有用信息
• 噪声去除：减少冗余和干扰信息
• 分布优化：调整特征分布以适应模型假设（如线性模型偏好正态分布）
• 维度控制：在信息损失最小化的前提下降低特征维度

Pandas在特征工程中的核心作用是高效处理结构化数据，支持数值型、分类型、时间型等多种数据的特征转化。

二、数据类型与基础转换

原始数据的类型往往不符合建模要求，需先进行基础转换，为后续特征工程铺路。

1. 数值型特征：类型优化与异常处理

数值型特征（int/float）是模型最易处理的类型，但需确保数据范围合理：

import pandas as pd
import numpy as np# 示例数据
data = pd.DataFrame({'age': [25, 30, 35, 150, -5],  # 包含异常值'income': ['5000', '8000', '12000', '7500', 'NaN'],  # 字符串型数值'score': [85.5, 92.0, 78.3, 90.1, 88.7]
})# 1. 将字符串型数值转换为float
data['income'] = pd.to_numeric(data['income'], errors='coerce')  # 'NaN'转为NaN# 2. 处理异常值（年龄不可能超过120或为负）
data['age'] = data['age'].clip(lower=0, upper=120)  # 截断异常值# 3. 类型优化（减少内存占用）
data['age'] = data['age'].astype('int8')  # 年龄范围小，用int8足够

2. 分类型特征：编码与规范化

分类型特征（object/category）需转换为数值形式才能输入模型，常见方法包括：

（1）标签编码（Label Encoding）

适用于有序分类特征（如学历：小学<初中<高中）：

# 定义有序类别
education_order = ['小学', '初中', '高中', '本科', '硕士', '博士']
data['education'] = pd.Categorical(data['education'], categories=education_order, ordered=True
)
# 转换为数值（0到n-1）
data['education_code'] = data['education'].cat.codes

（2）独热编码（One-Hot Encoding）

适用于无序分类特征（如颜色、城市）：

# 对城市进行独热编码
city_dummies = pd.get_dummies(data['city'], prefix='city', drop_first=True)
# 合并到原数据
data = pd.concat([data, city_dummies], axis=1)

• prefix：为新列名添加前缀（如city_北京）
• drop_first=True：删除第一列以避免多重共线性

3. 时间型特征：提取时间信息

时间特征（datetime）蕴含丰富的模式（如季节性、周期性），需提取关键信息：

# 转换为datetime类型
data['order_time'] = pd.to_datetime(data['order_time'])# 提取时间组件
data['hour'] = data['order_time'].dt.hour  # 小时（0-23）
data['dayofweek'] = data['order_time'].dt.dayofweek  # 星期几（0=周一）
data['is_weekend'] = data['dayofweek'].isin([5, 6]).astype(int)  # 是否周末
data['month'] = data['order_time'].dt.month  # 月份（1-12）
data['is_holiday'] = data['order_time'].dt.date.isin(holiday_list).astype(int)  # 是否节假日

三、特征创建：从原始数据中挖掘新特征

基于业务逻辑创建新特征，是提升模型性能的关键。Pandas的apply()和transform()函数是特征创建的利器。

1. 数值型特征组合

通过算术运算生成新特征（如比率、总和）：

# 示例：电商数据
data['total_price'] = data['quantity'] * data['unit_price']  # 总价=数量×单价
data['price_per_weight'] = data['total_price'] / data['weight']  # 单位重量价格
data['discount_rate'] = data['actual_price'] / data['original_price']  # 折扣率

2. 分组统计特征

通过分组聚合创建统计特征（如用户平均消费）：

# 按用户ID分组，计算每个用户的消费统计量
user_stats = data.groupby('user_id')['total_price'].agg(['mean', 'sum', 'max', 'count']
).rename(columns={'mean': 'user_avg_spend','sum': 'user_total_spend','max': 'user_max_spend','count': 'user_purchase_count'
})
# 合并回原数据（每个用户的统计量广播到其所有订单）
data = data.merge(user_stats, on='user_id', how='left')

3. 文本特征提取

对文本字段（如商品描述）提取关键词或长度特征：

# 商品标题长度
data['title_length'] = data['product_title'].str.len()# 标题是否包含特定关键词（如"促销"）
data['has_promotion'] = data['product_title'].str.contains('促销', na=False).astype(int)# 分割并提取类别（如"男装-T恤"→提取"T恤"）
data['sub_category'] = data['category'].str.split('-', expand=True)[1]

四、特征转换：优化特征分布

原始特征的分布可能不符合模型要求（如偏态分布），需通过转换使其更接近理想分布。

1. 标准化与归一化

• 标准化（Standardization）：将特征转换为均值0、标准差1，适用于正态分布特征：

  from sklearn.preprocessing import StandardScaler
  scaler = StandardScaler()
  data['amount_standardized'] = scaler.fit_transform(data[['amount']])
  

• 归一化（Normalization）：将特征缩放到[0,1]区间，适用于均匀分布特征：

  data['amount_normalized'] = (data['amount'] - data['amount'].min()) / (data['amount'].max() - data['amount'].min()
  )
  

2. 对数与幂转换

适用于右偏分布特征（如收入、消费金额）：

# 对数转换（处理右偏分布）
data['income_log'] = np.log1p(data['income'])  # log1p = log(1+x)，避免x=0时出错# 平方根转换（轻度偏态）
data['price_sqrt'] = np.sqrt(data['price'])

3. 交互特征

通过特征间的乘法/加法创建交互项，捕捉变量间的协同效应：

# 价格×数量=总价（已在特征创建中体现）
# 年龄×消费金额：捕捉不同年龄的消费能力差异
data['age_spend_interaction'] = data['age'] * data['total_price']

五、特征选择：保留关键信息

过多的特征会导致维度灾难，需筛选出与目标变量相关性高的特征。

1. 相关性分析

通过皮尔逊相关系数筛选数值特征：

# 计算特征与目标变量的相关性
corr = data.corr()['target'].abs().sort_values(ascending=False)
# 选择相关性Top20的特征
top_features = corr[1:21].index  # 排除目标变量自身
data_selected = data[top_features]

2. 方差过滤

删除方差接近0的特征（几乎无变化，无预测价值）：

from sklearn.feature_selection import VarianceThreshold
selector = VarianceThreshold(threshold=0.01)  # 方差低于0.01的特征将被删除
data_high_variance = selector.fit_transform(data)

3. 基于树模型的特征重要性

利用随机森林等模型评估特征重要性：

from sklearn.ensemble import RandomForestClassifier
# 假设X是特征，y是目标变量
rf = RandomForestClassifier()
rf.fit(X, y)
# 提取特征重要性
importance = pd.Series(rf.feature_importances_, index=X.columns)
# 选择重要性Top10的特征
top10_features = importance.sort_values(ascending=False).head(10).index
X_selected = X[top10_features]

六、实战案例：完整特征工程流程

def build_features(raw_data):"""特征工程流水线函数"""data = raw_data.copy()# 1. 数据类型转换data['order_date'] = pd.to_datetime(data['order_date'])data['price'] = pd.to_numeric(data['price'], errors='coerce')# 2. 异常值处理data['price'] = data['price'].clip(lower=0)# 3. 时间特征data['order_hour'] = data['order_date'].dt.hourdata['is_weekend'] = data['order_date'].dt.dayofweek.isin([5,6]).astype(int)# 4. 分类型特征编码data = pd.get_dummies(data, columns=['category'], drop_first=True)# 5. 分组统计特征user_stats = data.groupby('user_id')['price'].agg(['mean', 'sum']).rename(columns={'mean': 'user_avg_price', 'sum': 'user_total_spend'})data = data.merge(user_stats, on='user_id', how='left')# 6. 特征转换data['price_log'] = np.log1p(data['price'])# 7. 特征选择（删除低方差和冗余特征）data = data.drop(columns=['order_id', 'user_id', 'order_date'])  # 非特征列return data# 加载原始数据并执行特征工程
raw_data = pd.read_csv('raw_orders.csv')
features = build_features(raw_data)

总结：特征工程的核心原则
好的特征往往比复杂模型更重要

1. 业务驱动：特征创建需基于对业务的理解（如电商的复购率、金融的还款能力）。
2. 迭代优化：先构建基础特征，结合模型反馈逐步添加复杂特征。
3. 避免信息泄露：特征工程需在训练集上拟合，再应用到验证集/测试集（如分组统计不能用测试集数据）。
4. 平衡复杂度：并非特征越多越好，过多特征会导致过拟合和计算成本上升。

That’s all, thanks for reading~~
觉得有用就点个赞、收进收藏夹吧！关注我，获取更多干货～