数据预处理和特征工程决定模型表现上限，需重视数据质量而非仅调参。1. 缺失值处理应先理解原因，再选择填充或保留缺失信息，避免直接删除；2. 类别编码根据类别数量选择one-hot或目标编码，防止维度爆炸；3. 特征缩放视模型而定，树模型无需缩放，线性模型则需标准化或归一化；4. 构造衍生特征应结合业务背景提取关键信息，避免盲目增加复杂度。掌握这些方法能提升模型效果。
在做机器学习项目时，数据预处理和特征工程往往决定了模型表现的上限。很多人把注意力放在模型调参上，却忽略了输入数据本身的质量。其实，模型就像发动机，数据才是燃料，再好的引擎也跑不过劣质油。
1. 缺失值处理：别一上来就删
现实中的数据集很少是完整的，缺失值几乎是常态。但直接删除有缺失的样本或者列，往往会损失大量信息。比如电商用户购买记录中，某些字段（如“最近一次下单时间”）缺失，可能代表该用户是新用户，而不是数据错误。
这时候可以考虑：
立即学习“Python免费学习笔记（深入）”；
- 用平均数、中位数或众数填充数值型字段
- 对类别变量，用"Unknown"或"Missing"作为一个新的类别来保留缺失信息
- 如果缺失比例特别高（比如超过70%），那确实要考虑删除字段了
关键是理解缺失背后的原因，不同处理方式对模型的影响会很大。
2. 类别特征编码：不是所有分类都要One-Hot
类别型变量不能直接喂给大多数模型，需要转换成数字。One-Hot编码是最常见的做法，但不一定总是最优。
比如城市这个字段，如果类别太多（比如上百个城市），One-Hot会导致维度爆炸，这时候可以用目标编码（Target Encoding）或频率编码（Frequency Encoding）。例如，用每个城市的点击率作为替代值，既能保留信息又不会增加维度。
一些简单规则：
- 类别不多时（比如颜色红绿蓝），One-Hot很合适
- 类别很多时，考虑目标编码或分箱处理
- 时间序列任务中，慎用目标编码，容易造成信息泄露
3. 特征缩放：看模型是否“计较”
像决策树类模型（如XGBoost、LightGBM）并不需要特征标准化，它们对输入尺度不敏感。但如果是逻辑回归、K近邻、SVM这些模型，特征的尺度差异会影响训练效果和收敛速度。
常见做法有：
- 标准化（Z-Score）：适用于分布较正态的情况
- 归一化（Min-Max）：适合数据范围明确的任务，比如图像处理中的像素值归到[0,1]
举个例子，如果你的数据里有一个字段是年龄（0~100），另一个是收入（几千到几十万），不做缩放的话，模型可能会过度关注收入这个字段。
4. 构造衍生特征：从已有数据中提取信息
有时候原始数据并不能直接反映问题的本质，需要构造一些衍生特征。比如电商场景下，用户的历史行为数据中有“总购买次数”和“总消费金额”，我们可以构造“平均每次消费金额”作为新特征。
这类操作的关键点在于：
- 结合业务背景，找出有意义的组合或变换
- 不要盲目生成太多特征，增加复杂度的同时可能引入噪声
- 可以尝试对时间字段进行拆解，比如从“下单时间”中提取小时、星期几等信息
比如销售预测任务中，“节假日前后几天”这个时间段往往有特殊意义，可以构造一个是否为节前/节后一周的布尔特征。
基本上就这些。特征工程没有固定套路，但掌握好基础方法能解决大部分问题，剩下的靠经验和实验验证。
