3、特征工程入门：特征类型、标准化与缺失值处理
特征工程这东西，说白了就是给模型喂饭。饭好不好吃，直接影响模型能不能干活。我见过太多人一上来就调参、换模型，结果发现数据本身就有问题——嗯，那真是白忙活一场。
今天咱们聊聊特征工程的三个基本功：特征类型、标准化归一化、缺失值处理。别小看这些，它们能决定你因子的生死。
3.1 特征类型：数值、类别与时序
特征类型不同，处理方式天差地别。我刚开始做量化时，把类别特征直接扔进模型，结果模型学了一堆乱七八糟的东西。后来才明白，每种特征都有自己的脾气。
数值特征
数值特征就是那些能直接比较大小的数据，比如股价、成交量、市盈率。这类特征最常见，也最容易处理。但有个坑——量纲问题。比如股价是几十块，成交量是几百万股，直接放一起，模型会偏向数值大的特征。
类别特征
类别特征就是那些分门别类的数据，比如行业、板块、交易所。这类特征不能直接比较大小。你想想看，「银行」和「科技」哪个大？没法比。
处理类别特征，我习惯用独热编码（One-Hot Encoding）。举个例子：
# 原始数据：行业标签
industry = ['银行', '科技', '消费', '银行']
# 独热编码后
bank = [1, 0, 0, 1]
tech = [0, 1, 0, 0]
consumer = [0, 0, 1, 0]
但要注意，类别太多时独热编码会爆炸。比如股票有上百个行业，编码后特征维度暴增。这时候可以用目标编码（Target Encoding）或者嵌入（Embedding）。
时序特征
时序特征有先后顺序，比如过去5天的收益率、移动平均线。这类特征最特殊，因为它有「记忆」。处理时序特征时，我一般会做滞后处理（Lag）和窗口统计（Rolling）。
举个例子：
# 生成过去3天的收益率特征
df['return_lag1'] = df['return'].shift(1)
df['return_lag2'] = df['return'].shift(2)
df['return_lag3'] = df['return'].shift(3)
# 过去5天的平均收益率
df['return_ma5'] = df['return'].rolling(5).mean()
这里有个关键点：时序特征不能泄露未来信息。我见过有人用未来数据做特征，回测时表现完美，实盘时一塌糊涂。说白了，就是作弊了。
3.2 标准化与归一化
标准化和归一化，这两个概念经常被混用。其实它们目的不同，适用场景也不同。
标准化（Standardization）
标准化的公式很简单：(x - mean) / std。处理后数据均值为0，标准差为1。它不改变数据的分布形状，只是把数据「拉」到同一个尺度。
我习惯在以下场景用标准化：
- 模型假设数据服从正态分布（如线性回归、逻辑回归）
- 需要保留异常值信息（标准化不会把异常值压缩到固定区间）
- 特征之间量纲差异大，但分布形态相似
归一化（Normalization）
归一化是把数据缩放到[0,1]区间，公式是：(x - min) / (max - min)。它会把所有数据压到同一个范围，但会改变分布形状。
归一化适合的场景：
- 模型对数值范围敏感（如神经网络、KNN）
- 特征值有明确上下界（如百分比、比率）
- 需要保留相对大小关系，不关心绝对数值
什么时候不做？
有些模型不需要标准化，比如决策树、随机森林。它们基于分裂点做判断，不受量纲影响。你想想看，树模型只看特征值的大小关系，不看绝对数值。
3.3 缺失值处理策略
缺失值，是每个量化工程师的噩梦。我做过一个项目，数据缺失率高达30%，直接删除的话，样本量少得可怜。怎么办？
缺失值类型
先搞清楚缺失值的类型，这决定了处理策略：
| 类型 | 含义 | 例子 |
|---|---|---|
| 完全随机缺失 | 缺失与数据本身无关 | 传感器偶尔故障 |
| 随机缺失 | 缺失与其他特征有关 | 小市值股票数据更容易缺失 |
| 非随机缺失 | 缺失与缺失值本身有关 | 亏损公司不披露某些数据 |
常见处理策略
策略一：删除
最简单粗暴。如果缺失值占比很小（比如<5%），直接删除对应行或列。但要注意，删除可能导致样本偏差。
策略二：填充
填充方法很多，我常用的有：
- 均值/中位数填充：适合数值特征，简单有效
- 众数填充：适合类别特征
- 前向/后向填充：适合时序数据，用前后值填充
- 模型预测填充：用其他特征预测缺失值，精度高但计算量大
# 均值填充示例
df['feature'].fillna(df['feature'].mean(), inplace=True)
# 前向填充（时序数据）
df['feature'].fillna(method='ffill', inplace=True)
策略三：标记缺失
有时候缺失本身就是一个信号。比如某只股票突然不披露数据了，这可能是个危险信号。我会额外加一列，标记是否缺失。
3.4 知识体系总览
说了这么多，咱们用一张图总结一下特征工程的核心逻辑：
这张图展示了特征工程的核心流程：从原始数据出发，先判断特征类型，然后针对不同类型做相应处理，最后统一处理缺失值。每一步都有讲究，跳不得。
好了，特征工程入门就聊到这儿。记住一句话：好的特征工程，胜过十个模型调参。下次咱们聊聊更深入的特征选择方法。