5.4 特征构建：交叉、聚合与时间窗

5.4 特征构建：交叉、聚合与时间窗

本节摘要：特征构建是特征工程里最像手艺的部分：把领域知识翻译成模型可读的量——交叉捕捉联合效应，聚合压缩历史行为，时间窗刻画趋势与节奏。本节给出系统的构建手法清单、防泄漏的时间纪律，以及「特征从想法到上线」的验证闭环。

前三节在「删与改」，这一节在「造」。构建题在面试里的价值密度极高：它无法靠背诵糊弄——面试官随口一句「你这个业务里会造什么特征」，立刻分辨出真做过与背过的人。本节把手法系统化，但先说清一个立场：好的特征来自对数据生成过程的理解，工具只是翻译器。

主问题：造特征的手法清单

主问题：「除了原始字段，你会从哪里挖特征？」

标准答案

四类矿藏按序开采。其一，领域比率：客单价等于金额除以件数、负债收入比、点击率——业务里现成的比率几乎都是强特征；其二，交叉组合：类别乘类别（城市乘品类）、类别乘数值（品类下的消费额）、连续乘连续（收入乘工龄），捕捉单独存在时不显现的联合效应，树模型虽能自行分裂逼近，但显式交叉能省下树深并提升线性模型；其三，历史聚合：按实体分组统计均值、最大、方差、分位数——同一用户过去三十天的平均消费、同一商户今天的累计成交；其四，时间窗衍生：滑动窗口内的趋势斜率、环比波动、距上次行为的间隔时长，把「变化的速度与节奏」变成数字。

四类手法有一个共同的验收标准：每个新特征都要能讲出「它对应现实世界的什么」。讲不出业务含义的特征，与其说是工程，不如说是给过拟合撒种子。

追问一层：时间特征的纪律

追问：「用历史行为造特征，怎么保证不算到未来的数据？」

这是构建题里最凶险的追问，答案是一套时间纪律：任何聚合只能使用「当前样本时点之前」的数据，训练集与测试集要按时间切分（后段做验证），窗口统计的落点必须与线上推理时点对齐。经典事故是把「用户当月总消费」用在月中的样本上——全月数字包含了未来。更隐蔽的是「实体泄漏」：同一用户的多条样本被随机分进训练与验证两侧，聚合特征在两侧共享了同一来源，验证分数虚高；按实体分组切分才能测出真实泛化。这道题与第 6.1 节的时间序列交叉验证直接接壤，两处口径必须一致。

图：特征构建的四类矿藏与验证闭环

追问二层：交叉特征树模型能自己学，为什么还要手工

追问：「GBDT 不是能自动捕捉非线性与交互吗，人工交叉还有价值吗？」

这题考对模型能力的边界感。参考答法：树确实能通过连续分裂逼近交互效应，但逼近是有成本的——高阶交互需要更深的树、更多的数据，样本不足时学不出或学歪；显式交叉把领域先验直接喂给模型，等效于「帮树省下搜索预算」。在线性模型与 FM、深度推荐网络里，人工或自动交叉更是主力机制而非补充。反过来也要承认：低阶主效应充足时，盲目堆交叉只是增加过拟合面与维护成本。结论：交叉的收益与「交互强度高、数据相对不足」的程度成正比，这句条件化的结论值得背下来。

import pandas as pd

def build_features(df, window=30):
    df = df.sort_values(["user_id", "ts"])
    g = df.groupby("user_id")
    # 历史聚合：只统计窗口内（防未来），shift 保证不含当前行
    hist = (g["amount"].transform(lambda s: s.shift(1).rolling(window, min_periods=3).mean()))
    df["avg_amt_win"] = hist
    df["amt_ratio"] = df["amount"] / df["avg_amt_win"]        # 领域比率
    df["city_x_cate"] = df["city"] + "_" + df["category"]     # 类别交叉
    # 周期编码：小时映射到环形，避免「23 点与 0 点距离远」的假象
    df["hour_sin"] = np.sin(2 * np.pi * df["hour"] / 24)
    df["hour_cos"] = np.cos(2 * np.pi * df["hour"] / 24)
    return df
​

这段样板浓缩了三条纪律：shift 负责把「当前行」排除出统计、窗口语义显式化、周期特征用环形编码替代裸整数。

易错点

• 交叉组合不看基数：基数大的两列直接拼接，组合数爆炸且长尾组合样本稀疏，先截断头部或用目标编码处理组合本身。
• 时间窗统计包含当前行或未来行：验证分数「好得可疑」往往就是这里漏了，修正后掉分是正常现象而不是退化。
• 周期特征用裸整数：小时零与二十三在数值上最远、在时钟上相邻，正余弦环编码是标准修法；星期、月份同理。
• 造完不删：几百个衍生特征全量入模，噪声列互相稀释重要性；构建要与 5.3 的选择联动，造完必筛。

评分要点

及格：给出比率、交叉、聚合中任意两类实例；良好：四类手法齐备，时间窗纪律（只看过去、时点对齐、实体切分）完整；优秀：能讲「树模型与手工交叉的分工条件」，并把特征上线后的分布监控纳入答案。构建题的高分段属于能把业务语言与特征语言双向翻译的人——这也是 7.3 节项目深挖时最值钱的能力。

第 5 章至此走完数据入口的全程。下一章解决「怎么证明这套特征和模型真的行」：交叉验证的变体与陷阱，是全书防泄漏方法论的总闸门。

高频追问速答

问：特征交叉爆炸怎么控制？
三道闸：业务先验先行（只交叉有业务含义的组合）；基数截断（组合类别取头部，长尾归其他）；模型侧兜底（高阶交互交给 FM、深度网络或 GBDT 的隐式分裂）。交叉不是越多越好，每个组合都要过「讲得出业务含义」的审查。

问：时间窗特征在上线时怎么保证口径一致？
离线与在线共用同一套特征计算代码或同一特征平台，窗口的起点、终点、粒度全部参数化并对齐；上线前用回放流量做离在线一致性校验，比对特征值的分布与抽样误差。口径对不上，模型再准也是沙上楼。

问：周期特征除了正余弦还有别的编码吗？
可以把周期量转成「距参考点的时间差」（距月初天数、距上次行为小时数），或者直接离散化成分段变量。正余弦的独特点是保序环形距离，适合线性与距离模型；树模型对裸整数也不太挑剔——编码选择依然要回到「下游模型是什么」。

表达纪律：构建题每个特征都带一句业务翻译——「这个量度量的是现实里的什么」。翻译能力是本节的评分锚点。

深水区：两个延伸追问

问：特征存量大了以后怎么管理？
特征平台化：统一注册（定义、口径、所有者）、 lineage 追溯（每个特征能查到上游表与变换）、训练与线上同一套计算逻辑。特征复用的前提是口径唯一——同一特征两套算法是数据团队的慢性病。

问：怎么衡量一个新特征值不值得上线？
三个口径：增量指标（多种子对照的验证分数差）、成本口径（计算与存储开销、延迟增加）、稳定口径（线上分布漂移敏感度）。三口径全过才上车，缺任何一个都可能在半年后变成债务。