第4章特征工程（上）

4. 特征工程（上）：滞后特征、滚动窗口统计量、时间特征

各位同学，咱们今天聊聊特征工程的上半场。说实话，很多做时序预测的朋友，模型调了半天效果上不去，问题往往出在特征上。我个人习惯把特征工程看作「给模型喂什么饭」——饭喂对了，模型自然长得好。

4.1 滞后特征（Lag Features）——让模型看到「昨天」

滞后特征，说白了就是把过去时刻的值拿过来当特征。比如预测今天的销量，把昨天的销量、前天的销量都塞进去。这招简单粗暴，但极其有效。

为什么需要滞后特征？
时序数据有个核心假设：历史会重复。今天的值跟昨天的值往往高度相关。你想想看，如果今天突然暴热，空调销量肯定涨，但模型不知道啊——它得看到昨天的温度才知道趋势。

  核心公式：

  Lag_k = X_{t-k}，其中 k 是滞后阶数

我在项目中遇到过一个问题：预测电商平台的日活用户。一开始我只用了当天的特征，效果很差。后来加了滞后7天的特征（因为周周期性），准确率直接提升了15%。嗯，这里要注意：滞后阶数不是越多越好。

避坑指南：
我曾经在预测股票时，一口气加了滞后30天的特征。结果模型过拟合得一塌糊涂。为什么？因为太久远的历史信息其实跟当前关系不大，反而引入了噪声。

代码实现很简单，用 pandas 的 shift 方法：

import pandas as pd

# 假设 df 是时序数据，'value' 是目标列
df['lag_1'] = df['value'].shift(1)  # 昨天
df['lag_7'] = df['value'].shift(7)  # 上周同一天
df['lag_365'] = df['value'].shift(365)  # 去年同一天（如果有年周期）

# 注意：shift 后会产生 NaN，需要处理
df = df.dropna()

4.2 滚动窗口统计量（Rolling Statistics）——捕捉「近期趋势」

滞后特征只能看到单个时间点的值，但很多时候我们需要「一段时间的整体情况」。比如过去7天的平均销量、过去30天的波动幅度。这就是滚动窗口统计量。

常用的滚动统计量：

滚动均值：平滑短期波动，看趋势
滚动标准差：衡量波动性，比如股价的波动率
滚动最大值/最小值：捕捉极端值
滚动中位数：抗噪声能力强

我个人习惯用滚动均值+滚动标准差组合。为什么？因为很多模型对「异常波动」特别敏感。比如预测电力负荷，突然有一天工厂停工导致负荷骤降，滚动统计量能帮模型识别出这是异常，而不是趋势变化。

实战技巧：
窗口大小怎么选？我一般先看数据的周期性。如果是日数据，窗口选7（一周）、30（一个月）、365（一年）。如果是小时数据，窗口选24（一天）、168（一周）。记住：窗口越大，平滑效果越强，但也会丢失短期细节。

代码示例：

# 滚动窗口统计量
df['rolling_mean_7'] = df['value'].rolling(window=7).mean()
df['rolling_std_7'] = df['value'].rolling(window=7).std()
df['rolling_max_30'] = df['value'].rolling(window=30).max()
df['rolling_min_30'] = df['value'].rolling(window=30).min()

# 注意：滚动窗口也会产生 NaN（前 window-1 个点）
df = df.dropna()

避坑指南：
我曾经犯过一个低级错误：用未来的数据计算滚动统计量。比如预测 t 时刻的值，却用了 t+1 到 t+7 的数据算均值。这叫「数据泄露」，模型在训练时表现完美，上线后直接崩盘。切记：滚动窗口只能用历史数据，不能包含未来。

4.3 时间特征（年/月/日/星期）——让模型理解「时间本身」

时间特征，就是把时间戳拆解成可理解的数值。比如年、月、日、星期几、小时、分钟。这些特征看似简单，但能帮模型捕捉周期性规律。

为什么需要时间特征？
你想想看，很多业务都有明显的周期性：

电商：周末销量高，工作日低
交通：早晚高峰，周末平峰
能源：夏天用电多，冬天用气多

模型如果不理解「今天是星期几」，它怎么知道周末该涨还是该跌？

代码实现：

# 假设 df 的索引是 DatetimeIndex
df['year'] = df.index.year
df['month'] = df.index.month
df['day'] = df.index.day
df['dayofweek'] = df.index.dayofweek  # 0=周一，6=周日
df['hour'] = df.index.hour
df['is_weekend'] = (df['dayofweek'] >= 5).astype(int)  # 是否周末

  进阶技巧：

  对于周期性特征（如月份、星期几），直接用数值（1-12）可能有问题。因为模型会认为「12月」比「1月」大，但实际上12月和1月是相邻的。我建议用正弦/余弦编码：

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

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

  这样能保留周期性关系。

4.4 知识体系总览

下面这张图总结了本章的核心内容，帮你快速建立知识框架：

4.5 实战组合拳

在实际项目中，我通常把这三种特征组合使用。举个例子：

# 完整特征工程示例
def create_features(df, target_col='value'):
    df = df.copy()
    
    # 1. 滞后特征
    df['lag_1'] = df[target_col].shift(1)
    df['lag_7'] = df[target_col].shift(7)
    df['lag_30'] = df[target_col].shift(30)
    
    # 2. 滚动窗口统计量
    df['rolling_mean_7'] = df[target_col].rolling(7).mean()
    df['rolling_std_7'] = df[target_col].rolling(7).std()
    df['rolling_max_30'] = df[target_col].rolling(30).max()
    
    # 3. 时间特征
    df['month'] = df.index.month
    df['dayofweek'] = df.index.dayofweek
    df['is_weekend'] = (df['dayofweek'] >= 5).astype(int)
    
    # 4. 周期性编码（月份）
    df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
    df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)
    
    # 删除NaN
    df = df.dropna()
    return df

我的经验：
特征不是越多越好。我一般先加滞后1、7、30，滚动均值7、30，再加星期几和月份。然后看特征重要性，把没用的删掉。记住：少而精的特征，比多而杂的效果好得多。

好了，特征工程的上半场就到这里。这三种特征——滞后、滚动统计量、时间特征——是时序预测的基石。你想想看，如果连「昨天发生了什么」「最近一周的趋势」「今天是星期几」都不知道，模型怎么可能预测准？

下一节咱们继续聊特征工程的下半场，到时候会讲更高级的特征构造方法。今天就先消化这些基础内容，动手跑跑代码，感受一下特征对模型的影响。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4. 特征工程（上）：滞后特征、滚动窗口统计量、时间特征

4.1 滞后特征（Lag Features）——让模型看到「昨天」

4.2 滚动窗口统计量（Rolling Statistics）——捕捉「近期趋势」

4.3 时间特征（年/月/日/星期）——让模型理解「时间本身」

4.4 知识体系总览

4.5 实战组合拳