python特征工程核心是围绕“数据可学、模型能懂、业务可解释”三层目标迭代推进：先理解业务与数据结构，再科学处理缺失/异常值，继而构造高信息量业务特征，最后按模型需求编码缩放并验证选择。
Python在AI项目中做特征工程，核心不是堆砌代码，而是围绕“数据可学、模型能懂、业务可解释”三层目标推进。它不追求一步到位，而是一环扣一环的迭代过程：先让原始数据变得干净可用，再把它翻译成模型真正需要的语言，最后验证它是否真的提升了预测能力。
理解原始数据结构与业务含义
跳过这步直接编码，后面90%的问题都源于此。比如电商订单表里的“下单时间”，对销量预测可能是强信号，但对用户流失预测可能要拆解为“距上次购买天数”或“工作日/周末下单”；又如文本字段“商品描述”，不能直接扔进模型，得先判断它是用于分类（需TF-IDF或嵌入）还是用于匹配（需清洗+分词+相似度构造）。关键动作是：人工抽样看100条、画分布直方图、和业务方确认字段定义、标记缺失是否代表“未发生”还是“数据丢失”。
处理缺失值与异常值（不只用fillna和drop）
缺失不是bug，常是信息本身。比如贷款申请表中“公积金缴存月数”为空，大概率代表未缴存——此时填0比插补更合理；再如用户点击时长出现10万秒（近28小时），明显是埋点错误，应结合上下文（如前后点击间隔、设备类型）判定是否截断或标记为异常。常用策略包括：
- 数值型：按分布分箱后用箱内中位数填充，或训练一个简单模型（如随机森林）预测缺失值
- 类别型：新增“Unknown”类，而非简单用众数填充（避免混淆真实类别）
- 时间型：用业务逻辑推导，如“注册时间为空”可设为“最早注册日减1天”作为占位
构造高信息量特征（重点在“业务驱动”而非“技巧堆砌”）
特征质量远大于数量。与其生成50个统计特征，不如深挖1个强信号。例如在风控场景中，“过去7天内申请平台数/总申请次数”比单纯“申请次数”更能反映多头借贷行为；在推荐系统中，“用户对该品类最近一次点击距今小时数”的倒数，比“是否点击过该品类”更具区分度。Python中推荐用pandas的groupby + agg组合快速实现滑动窗口统计，用sklearn.preprocessing.FunctionTransformer封装自定义逻辑，保证可复现。
立即学习“Python免费学习笔记（深入）”；
编码、缩放与特征选择（适配模型需求）
不是所有模型都需要标准化，也不是所有类别变量都要one-hot。树模型（XGBoost、LightGBM）对数值尺度不敏感，但对高基数类别变量（如用户ID）做target encoding前必须加平滑，否则会过拟合；而线性模型或神经网络则需StandardScaler或RobustScaler，且建议在划分训练/测试集后仅用训练集统计量拟合缩放器。特征选择别只盯SelectKBest，试试：
- 基于模型重要性的递归剔除（RFE）
- 用SHAP值分析特征实际贡献（尤其适合黑盒模型）
- 计算特征间互信息（mutual_info_classif/regression）筛掉冗余变量
基本上就这些。特征工程没有银弹，但有清晰路径：从数据里读出业务语言，用Python把它转成数学语言，再让模型学会这种语言。每一步都可验证、可回溯、可解释，才是落地的关键。
