2、数值列：tf.feature_column.numeric_column详解、默认值设置、数据类型转换

好，咱们正式开始讲特征列。第一个要啃的，就是最基础也最常用的——numeric_column。

说白了，数值列就是处理数字的。你想想看，结构化数据里，年龄、价格、温度、点击次数……哪个不是数字？所以这个函数，你几乎每个模型都会用到。

2.1 基本用法：从零开始

先看一个最简单的例子。假设你有一个特征叫 age，类型是整数。

import tensorflow as tf

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

# 模拟输入数据
input_data = {'age': [25, 30, 22, 40]}

# 转换成张量
tensor = age_column._transform_features(input_data)
print(tensor)

输出结果就是一个张量，形状是 (4,)，值就是 [25, 30, 22, 40]。嗯，就是这么简单。

但别急，实际项目中可没这么顺利。我记得有一次，客户给的数据里，年龄字段居然混进了字符串，比如 "25岁"、"三十"。这时候直接喂给模型，肯定报错。

2.2 默认值设置：处理缺失数据

真实数据里，缺失值太常见了。比如用户没填年龄，或者传感器某时刻没采集到温度。这时候 default_value 就派上用场了。

# 设置默认值为 -1
age_column = tf.feature_column.numeric_column(
    key='age',
    default_value=-1
)

# 模拟缺失数据（用 None 表示）
input_data = {'age': [25, None, 22, 40]}

tensor = age_column._transform_features(input_data)
print(tensor)
# 输出: [25, -1, 22, 40]

看到没？None 被替换成了 -1。我个人习惯用 -1 或 0 作为默认值，但具体用哪个，得看业务场景。

2.3 数据类型转换：让 TensorFlow 听懂你的数据

TensorFlow 内部对数据类型要求很严格。你给的数据是 int，它可能期望 float。这时候 dtype 参数就很重要了。

# 明确指定数据类型为 float32
price_column = tf.feature_column.numeric_column(
    key='price',
    dtype=tf.float32
)

# 输入整数也没关系，会自动转换
input_data = {'price': [100, 200, 150]}
tensor = price_column._transform_features(input_data)
print(tensor.dtype)  # 输出: <dtype: 'float32'>

为什么会这样？因为 TensorFlow 的模型计算，大部分操作都基于浮点数。你给整数，它内部也会转成 float。但如果你不指定 dtype，它默认是 tf.float32。

2.4 实战中的常见坑

我总结几个实际项目中容易翻车的地方，你记一下：

• 数据形状不匹配：如果你的输入是二维数组（比如 [[1,2], [3,4]]），但 numeric_column 默认期望一维。这时候需要设置 shape 参数。
• 缺失值处理不当：别用 np.nan 直接喂，TensorFlow 不认识它。要么用 default_value，要么预处理时填充好。
• 类型混淆：字符串数字（如 "123"）不会自动转换。你得先预处理成数值类型。

# 处理二维特征的例子
embedding_column = tf.feature_column.numeric_column(
    key='coordinates',
    shape=(2,)  # 每个样本有两个值
)

input_data = {'coordinates': [[1.0, 2.0], [3.0, 4.0]]}
tensor = embedding_column._transform_features(input_data)
print(tensor.shape)  # 输出: (2, 2)

2.5 总结一下

numeric_column 虽然基础，但用好了能省很多事。记住三点：

1. 默认值要选对，别让模型学到错误规律。
2. 数据类型要明确，尤其是整数和浮点数的区别。
3. 形状要匹配，多维数据记得设 shape。

嗯，这一节就到这。下一节咱们聊 bucketized_column，把连续值变成离散区间，很有意思。