特征工程核心是结合业务、分布与模型特性转换数据：数值型需处理异常值与偏态（如log1p）、构造比值；类别型依基数选编码，低基数用独热，高基数用目标编码或嵌入。
Python实现特征工程，核心是把原始数据变成模型能更好理解的输入形式。不是简单做标准化或编码，而是结合业
务逻辑、数据分布和模型特性做有针对性的转换。
数值型特征：别只盯着标准化
均值归一化（StandardScaler）或最小-最大缩放（MinMaxScaler）适合线性模型，但树模型（如XGBoost、随机森林）对量纲不敏感，强行缩放反而可能破坏原始分布信息。更关键的是处理异常值和偏态分布：
- 用箱线图或IQR识别离群点，考虑截断（winsorization）而非直接删除
- 右偏数据（如收入、访问时长）优先试对数变换：
np.log1p(x)（自动处理0值） - 构造有意义的比值或变化率，比如“近7天点击数 / 近30天点击数”，比单纯用绝对值更有区分度
类别型特征：编码方式要看类别数量和业务含义
低基数类别（
- 目标编码（Target Encoding）：用该类别的标签均值替代原始值，注意要加平滑防止过拟合
- 频率编码（Frequency Encoding）：用该类别出现频次替代，适合无监督或分类目标不明确场景
- 嵌入编码（Embedding）：配合深度学习，把ID类特征映射到低维稠密向量（可用TensorFlow/Keras或PyTorch实现）
时间与文本特征：从结构中挖语义
时间字段别只拆成年月日小时——提取周期性信号更重要：
- 把小时转为正弦/余弦特征：
sin(2π×hour/24)，让23点和0点在空间上更接近 - 判断是否工作日、是否节假日、距离下一个节日还有几天，这些布尔或数值特征常比原始时间戳更有效
- 文本字段先清洗（去停用词、统一大小写），再根据任务选方法：短文本用TF-IDF，长文档或需语义可用Sentence-BERT生成句向量
特征交互与降维：少而精胜过多而杂
人工构造交叉特征（如“城市 × 季节”、“用户等级 × 商品价格区间”）要有业务依据，避免盲目组合。高维稀疏特征（如One-Hot后几百列）建议用以下方式压缩：
- PCA适用于数值型且线性相关明显的场景，但会丢失可解释性
- TruncatedSVD更适合稀疏矩阵（如TF-IDF输出），计算快、内存友好
- 特征重要性筛选：训练一个轻量模型（如LightGBM with n_estimators=50），按feature_importance排序保留Top 30~50
基本上就这些。特征工程没有银弹，关键是多看数据、多试假设、多验证效果——用验证集上的指标说话，而不是凭感觉选方法。
