3. 特征工程（下）：结构特征、物理指纹与降维
好，咱们接着聊特征工程的下半场。上一节我们把元素属性、组分描述子这些“宏观”特征搞定了，这一节要深入材料的“骨骼”和“灵魂”——结构特征和物理指纹。说白了，就是怎么把原子怎么排、排多密、谁挨着谁这些信息，变成模型能啃的数字。
3.1 结构特征：从空间群到配位数
我个人习惯，拿到一个晶体结构，先看三样东西：空间群、晶格常数、配位数。这三板斧砍下去，结构的大致轮廓就出来了。
3.1.1 空间群与晶格常数
空间群是啥？就是晶体对称性的“身份证”。230种空间群，每种都对应一套对称操作。我早期做钙钛矿项目时，就吃过亏——把Pm-3m和P4mm搞混了，结果模型预测的带隙差了0.5 eV。你想想看，对称性一变，电子结构全变了。
怎么编码空间群？常见做法有：
- One-hot编码：230维向量，简单粗暴，但稀疏
- 数值映射：直接用空间群序号（1-230），但模型可能学不到对称性关系
- 对称性特征：提取晶系、点群、对称元素数量等衍生特征
晶格常数就直观多了：a, b, c, α, β, γ。但要注意，不同材料体系晶格常数差异很大。我建议做标准化处理，不然模型会把注意力全放在数值大的特征上。
避坑指南：我曾经把晶格常数直接扔进模型，结果预测弹性模量时误差巨大。后来发现，对于立方晶系，a=b=c，但数据里有微小差异（测量误差），模型误以为这是各向异性。所以，对于高对称性体系，建议强制对称化处理。
3.1.2 配位数与局部环境
配位数描述的是“一个原子周围有多少邻居”。但这里有个坑：截断半径怎么选？
我一般用Voronoi多面体方法，自动确定配位壳层。举个例子，NaCl中Na的配位数是6，但如果你用固定半径3Å，可能数出8个来。为什么会这样？因为Cl⁻半径大，把Na⁺挤得远了些。
配位数特征可以这样构建：
# 伪代码示例
def compute_coordination_numbers(structure, cutoff=5.0):
cn_list = []
for site in structure:
neighbors = structure.get_neighbors(site, cutoff)
cn = len(neighbors)
cn_list.append(cn)
return np.mean(cn_list), np.std(cn_list), np.max(cn_list)除了平均配位数，我还喜欢加两个统计量：配位数的标准差（反映局部无序程度）和最大配位数（反映密堆积程度）。
3.2 基于物理的指纹：Sine Matrix与Coulomb Matrix
这部分是我觉得最有意思的。结构特征太“宏观”，原子级信息不够。物理指纹就是要把原子间的相互作用编码进去。
3.2.1 Coulomb Matrix
Coulomb Matrix是2013年Rupp等人提出的，核心思想很简单：用库仑相互作用来描述原子对。矩阵元素定义为：
M_ij = 0.5 * Z_i^2.4 (当i=j时)
M_ij = Z_i * Z_j / |R_i - R_j| (当i≠j时)
嗯，这里要注意：对角线项是原子自身的“能量”，用有效核电荷的2.4次方近似。非对角线项就是经典的库仑势。
我实际用过这个特征做带隙预测。效果不错，但有个问题：矩阵大小随原子数变化。解决方案是排序后取前N个特征，或者用矩阵的谱特征（特征值、迹等）。
个人经验：Coulomb Matrix对离子晶体效果特别好，因为库仑相互作用占主导。但对共价晶体（比如硅），效果就一般了。这时候我更喜欢用Sine Matrix。
3.2.2 Sine Matrix
Sine Matrix是Coulomb Matrix的变体，用正弦函数代替库仑势：
M_ij = 0.5 * Z_i^2.4 (i=j)
M_ij = Z_i * Z_j * sin(π * |R_i - R_j|) / (π * |R_i - R_j|) (i≠j)
为什么要用正弦？说白了，正弦函数在远距离衰减更快，而且有振荡特性，能更好地描述共价键的方向性。我在做二维材料项目时，用Sine Matrix预测MoS₂的能带结构，比Coulomb Matrix提升了约15%的R²。
3.2.3 特征向量化与标准化
无论哪种矩阵，最终都要变成一维向量。我常用的方法：
- 将矩阵按行展开（上三角部分）
- 或者计算矩阵的谱特征（前k个特征值）
- 或者用随机投影降维
我个人偏好谱特征，因为保留了矩阵的全局信息，而且维度可控。
3.3 特征选择与降维：PCA与t-SNE
特征多了，问题就来了：维度灾难、过拟合、计算慢。这时候就需要降维。
3.3.1 PCA：线性降维的经典
PCA（主成分分析）是我最常用的降维方法。它的本质是找数据方差最大的方向。
实际操作中，我一般保留能解释95%方差的主成分。举个例子，我有200维特征，PCA后可能只剩20维，但模型性能几乎不变。
from sklearn.decomposition import PCA
pca = PCA(n_components=0.95) # 保留95%方差
X_pca = pca.fit_transform(X_scaled)
print(f"原始维度: {X_scaled.shape[1]}, 降维后: {X_pca.shape[1]}")注意：PCA对异常值敏感。我建议先做标准化，再用IQR方法剔除异常值。不然一个离群点就能把主成分方向带偏。
3.3.2 t-SNE：可视化利器
t-SNE主要用于可视化，不是用来做特征输入的。它的特点是能保持数据的局部结构。
我记得有一次做高熵合金项目，2000多个样本，用PCA降维后各类混在一起。但用t-SNE一画，不同成分的合金自动聚成几簇，跟相图完全对应。那一刻，我真是服了t-SNE。
使用t-SNE的几个要点：
- perplexity参数一般设5-50，我习惯用30
- 先做PCA降维到50维，再用t-SNE，速度会快很多
- t-SNE的结果每次运行可能不同，建议固定random_state
3.3.3 特征选择：不只是降维
降维是“组合”特征，特征选择是“挑选”特征。我常用的方法：
- 方差阈值法：去掉方差接近0的特征
- 互信息法：计算每个特征与目标变量的互信息
- 递归特征消除：用模型反复训练，去掉最不重要的特征
我个人经验，互信息法在材料领域特别好用。因为它能捕捉非线性关系，而材料性能往往跟特征呈非线性关系。
3.4 本章知识体系
下面这张图总结了本章的核心逻辑：从原始晶体结构出发，经过结构特征提取、物理指纹计算、特征选择与降维，最终得到可用于模型训练的高质量特征集。
3.5 实战建议
最后，给几个实战中的建议：
特征组合策略：我一般把结构特征（空间群one-hot + 晶格常数 + 配位数统计量）和物理指纹（Coulomb或Sine矩阵的谱特征）拼接起来。这样既有宏观结构信息，又有微观相互作用信息。
注意过拟合：特征维度超过样本数的1/10时，就要小心了。我习惯用交叉验证来评估特征集的有效性，而不是只看训练集表现。
好了，特征工程这部分就到这里。记住一句话：好的特征胜过复杂的模型。你花80%的时间做特征工程，20%的时间调模型，这是值得的。