4、特征工程：滞后特征、滚动窗口统计量、时间编码

特征工程，说白了就是给模型喂「对的食物」。

我见过太多人，模型选得再好，调参再努力，最后效果不行——回头一看，特征全是原始值，连个滞后项都没加。嗯，这就像让一个厨师只用盐做菜，能好吃才怪。

今天咱们聊三个核心操作：滞后特征、滚动窗口统计量、时间编码。这三板斧，基本覆盖了90%的时序特征需求。

4.1 滞后特征：让模型「看见」过去

滞后特征，就是把过去某个时刻的值，搬到当前时刻来用。

举个例子：你想预测明天的销量，那今天的销量、昨天的销量、甚至上周同一天的销量，都是极好的特征。

我个人习惯，先做1阶滞后，再看业务周期。如果是日数据，我会做lag-1、lag-7、lag-30。为什么？因为日周期、周周期、月周期，这三个节奏基本覆盖了大部分场景。

核心公式：
lag_k(t) = value(t - k)

代码实现很简单，用pandas的shift方法就行：

import pandas as pd

# 假设df是时序数据，按日期排序
df['lag_1'] = df['value'].shift(1)
df['lag_7'] = df['value'].shift(7)
df['lag_30'] = df['value'].shift(30)
⚠️ 注意：滞后特征会产生NaN值。比如lag_7，前7行都是空的。记得用fillna或者直接丢弃这些行，别让NaN污染模型。

我曾经踩过一个坑：做滞后特征时忘了排序。数据是乱序的，shift出来的值根本不是「过去」，而是「随便某个时间点」。结果模型训练时看起来不错，上线后直接崩了。所以记住：先排序，再shift。

4.2 滚动窗口统计量：捕捉「趋势」和「波动」

滞后特征只能看到「某一个点」，但很多时候，我们需要看「一段区间」的统计量。

比如：过去7天的平均销量、过去30天的销量标准差、过去14天的最大值……这些就是滚动窗口统计量。

为什么需要它？因为模型需要理解「趋势」和「波动」。你想想看，如果今天销量突然暴涨，模型光看昨天的值可能反应不过来，但如果它知道「过去7天平均销量很低」，就能判断出「今天是个异常点」。

常用的滚动统计量包括：

  • 均值：反映趋势
  • 标准差：反映波动
  • 最大值/最小值：反映极值
  • 中位数：抗噪性强
  • 偏度/峰度：反映分布形态（高阶用法）
# 滚动窗口统计量示例
df['rolling_mean_7'] = df['value'].rolling(window=7).mean()
df['rolling_std_7'] = df['value'].rolling(window=7).std()
df['rolling_max_14'] = df['value'].rolling(window=14).max()
💡 我的经验：窗口大小怎么选？我一般先看业务周期。如果是日数据，7天（周）、30天（月）、90天（季度）是三个常用窗口。如果数据有季节性，窗口最好覆盖一个完整周期。

这里有个细节：滚动窗口默认是「左闭右开」的，也就是说，当前时刻的值也会被算进去。如果你想要「纯历史」的统计量，记得用shift再偏移一下：

# 纯历史均值（不含当前时刻）
df['rolling_mean_7_pure'] = df['value'].shift(1).rolling(window=7).mean()

嗯，这个坑我踩过不止一次。有一次做实时预测，模型总是「提前知道」当前值，导致线上效果远差于离线。后来才发现，滚动窗口默认包含了当前时刻。

4.3 时间编码：让模型理解「时间」本身

时间本身也是一种特征。模型不懂「2024年3月15日」是什么意思，但你可以把它拆解成：年、月、日、星期几、第几周、是否节假日……

我建议至少做以下几类时间编码：

编码类型 示例 说明
年 2024 捕捉年度趋势
月 1-12 捕捉季节性
日 1-31 捕捉月度内模式
星期几 0-6 捕捉周周期
是否周末 0/1 二值化，简单有效
第几周 1-52 捕捉周级别周期
一年中的第几天 1-365 连续型，适合线性模型 
# 时间编码示例
df['year'] = df['date'].dt.year
df['month'] = df['date'].dt.month
df['day'] = df['date'].dt.day
df['weekday'] = df['date'].dt.weekday  # 0=周一, 6=周日
df['is_weekend'] = (df['weekday'] >= 5).astype(int)
df['week_of_year'] = df['date'].dt.isocalendar().week
df['day_of_year'] = df['date'].dt.dayofyear
⚠️ 注意：对于树模型（如XGBoost、LightGBM），月份、星期几可以直接用整数编码。但对于线性模型或神经网络，建议做周期性编码（sin/cos变换），因为「12月」和「1月」在数值上虽然差1，但实际距离很近。

周期性编码怎么做？举个例子：

# 周期性编码示例（以月份为例）
import numpy as np

df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)

这样，12月和1月在sin/cos空间里就是相邻的点了。我一般在做深度学习模型时必加这个，树模型倒不一定需要。

4.4 本章知识体系

下面这张图，帮你理清三个特征工程操作的关系：

时序特征工程三大核心操作 原始时间序列 滞后特征 lag-1, lag-7, lag-30 捕捉「过去某个点」 滚动窗口统计量 均值、标准差、最大/最小值 捕捉「一段区间」的趋势与波动 时间编码 年、月、日、星期几 让模型理解「时间」本身 三者组合使用，效果远好于单一特征 滞后特征 + 滚动统计量 + 时间编码 = 完整时序特征集

4.5 实战建议与避坑指南

最后，分享几个我自己的经验：

  • 不要一次性生成太多滞后特征。我见过有人生成lag-1到lag-100，结果模型过拟合得一塌糊涂。先做业务分析，再选关键滞后阶数。
  • 滚动窗口的边界处理要小心。尤其是预测时，你只能用到「历史数据」，不能「偷看」未来。我建议在训练时就用shift模拟预测场景。
  • 时间编码不是越多越好。年、月、日、星期几这四个基本够用。加太多细粒度特征（比如小时、分钟），反而容易引入噪声。
  • 特征工程完成后，记得做相关性分析。如果两个特征高度相关（比如lag-1和lag-2），考虑只保留一个，或者做PCA降维。
💡 我的习惯：每次做完特征工程，我都会画一张特征重要性图。如果某个滞后特征重要性为0，说明这个滞后阶数没用，果断删掉。别舍不得。

嗯，特征工程这部分就聊到这儿。记住一句话：好的特征，比好的模型更重要。你花80%的时间做特征，20%的时间调模型，这个比例是合理的。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →