3. 特征列（Feature Column）入门：数值列、分桶列、类别列

好，咱们今天正式进入特征工程的核心环节——特征列（Feature Column）。

说实话，我刚开始用 TensorFlow 的时候，最头疼的就是数据预处理。你想想看，原始数据千奇百怪：有的是数字，有的是类别，有的需要分桶，有的需要 embedding。如果全靠手动写代码去处理，那工程量太大了。后来我发现，Estimator 配合 Feature Column，简直就是为这种场景量身定做的。

我个人习惯把 Feature Column 分成三大类：数值型、分桶型、类别型。今天咱们就一个一个来啃。

3.1 数值列（numeric_column）

数值列是最简单、最直接的。说白了，就是把一个数值特征原封不动地喂给模型。比如年龄、价格、温度这些。

它的用法非常直观：

import tensorflow as tf

# 定义一个数值列
age_column = tf.feature_column.numeric_column(key='age')

# 如果你需要指定默认值或数据类型
price_column = tf.feature_column.numeric_column(
    key='price',
    default_value=0.0,
    dtype=tf.float32
)

嗯，这里要注意：key 必须和你输入数据中的字段名一致。我在项目中遇到过有人把 key 写错了，结果模型训练出来全是 NaN，排查了半天才发现是字段名对不上。

3.2 分桶列（bucketized_column）

数值列虽然简单，但有时候直接输入原始数值并不好。比如年龄这个特征，20 岁和 21 岁差别不大，但 20 岁和 60 岁差别就很大。这时候，分桶就派上用场了。

分桶列，说白了就是把连续数值切成几个区间。每个区间变成一个离散的类别。

举个例子：

# 先定义一个数值列
age_column = tf.feature_column.numeric_column('age')

# 然后分桶
age_buckets = tf.feature_column.bucketized_column(
    source_column=age_column,
    boundaries=[18, 30, 45, 60]
)

这段代码的意思是：把年龄分成 5 个桶：

• 小于 18 岁 → 桶 0
• 18 到 30 岁 → 桶 1
• 30 到 45 岁 → 桶 2
• 45 到 60 岁 → 桶 3
• 大于等于 60 岁 → 桶 4

我曾经在一个电商推荐项目里用过这个技巧。当时用户年龄是连续值，模型怎么调都欠拟合。后来我把年龄分成了 5 个桶，效果立竿见影。为什么？因为模型不需要再去学习「年龄每增加 1 岁，购买概率变化多少」这种非线性关系了，直接学每个桶的权重就行。

3.3 类别列（categorical_column_with_identity）

接下来是类别列。类别特征在真实数据里太常见了：性别、城市、设备类型……

TensorFlow 提供了好几种处理类别特征的方式，今天咱们先讲最基础的一种——categorical_column_with_identity。

这个函数适用于已经编码好的整数类别。比如你的数据里，性别用 0 和 1 表示，城市用 0、1、2、3 表示。这时候直接用 identity 列就行。

# 假设城市编码为 0~9
city_column = tf.feature_column.categorical_column_with_identity(
    key='city',
    num_buckets=10
)

这里 num_buckets 必须大于等于你数据中最大的类别编号。如果数据里出现了 10，而 num_buckets 只设了 10，那就会报错。因为索引是从 0 开始的，0~9 共 10 个桶，10 已经越界了。

你可能会问：如果我的类别是字符串怎么办？比如城市名是 "北京"、"上海"、"广州"。那就不能用 identity 了，得用 categorical_column_with_vocabulary_list 或者 categorical_column_with_hash_bucket。这个咱们后面章节会详细讲。

3.4 三者如何配合使用？

在实际项目中，这三种列经常混在一起用。我举个例子：

# 定义特征列列表
feature_columns = [
    # 数值列
    tf.feature_column.numeric_column('income'),
    
    # 分桶列
    tf.feature_column.bucketized_column(
        source_column=tf.feature_column.numeric_column('age'),
        boundaries=[18, 30, 45, 60]
    ),
    
    # 类别列
    tf.feature_column.categorical_column_with_identity(
        key='gender',
        num_buckets=2
    )
]

# 然后直接传给 Estimator
estimator = tf.estimator.LinearClassifier(
    feature_columns=feature_columns,
    model_dir='./model'
)

你看，代码非常干净。不需要手动做 one-hot 编码，不需要写复杂的预处理逻辑。Estimator 会自动帮你处理好一切。

我个人觉得，Feature Column 最大的价值就是把特征工程和模型训练解耦了。你可以在不修改模型代码的情况下，随意调整特征处理方式。这对于快速迭代实验来说，太重要了。

3.5 一个完整的实战小例子

咱们来跑一个完整的流程，感受一下：

import tensorflow as tf
import pandas as pd

# 模拟数据
data = pd.DataFrame({
    'age': [25, 32, 47, 18, 60],
    'income': [5000, 8000, 12000, 3000, 15000],
    'gender': [0, 1, 0, 1, 0],
    'label': [0, 1, 1, 0, 1]
})

# 定义特征列
age_bucket = tf.feature_column.bucketized_column(
    source_column=tf.feature_column.numeric_column('age'),
    boundaries=[18, 30, 45, 60]
)

feature_columns = [
    tf.feature_column.numeric_column('income'),
    age_bucket,
    tf.feature_column.categorical_column_with_identity('gender', num_buckets=2)
]

# 构建输入函数
def input_fn():
    return tf.data.Dataset.from_tensor_slices((
        dict(data.drop('label', axis=1)),
        data['label']
    )).batch(2)

# 训练
estimator = tf.estimator.LinearClassifier(
    feature_columns=feature_columns,
    model_dir='./model_demo'
)

estimator.train(input_fn, steps=100)

跑完之后，你可以看看模型目录下的文件，TensorFlow 会自动保存 checkpoint、graph 等信息。这就是 Estimator 的另一个好处——工程化非常方便。

3.6 常见问题与避坑

问题	原因	解决方法
训练时出现 NaN	数值列中有缺失值或异常值	设置 default_value，或先做数据清洗
分桶后效果反而变差	边界设置不合理，或桶数太多	根据业务逻辑调整边界，或者用分位数分桶
identity 列报错越界	num_buckets 小于实际类别数	检查数据中最大类别编号，确保 num_buckets 大于它

好了，这一章的内容就到这里。数值列、分桶列、类别列是 Feature Column 的三大基石。你只要把这三个搞明白了，后面再学 embedding 列、交叉列什么的，就会轻松很多。

下一章咱们会深入聊聊 类别特征的高级处理，包括 vocabulary 列表和哈希分桶。到时候我会分享一些我在实际项目中踩过的坑，保证让你少走弯路。