第四章 特征工程基础：如何从原始数据中提取有效特征
大家好，我是老张。在风电功率预测这个行当摸爬滚打了快十年，我越来越觉得——特征工程做得好，模型就成功了一半。这话一点不夸张。
你想想看，原始数据里那些风速、温度、湿度，直接扔进模型，效果往往很一般。为什么？因为模型看不懂这些数字背后的规律。我们需要帮它一把，把隐藏的信息挖出来。这就是特征工程要做的事。
核心观点：特征工程不是锦上添花，而是雪中送炭。好的特征能让简单模型跑出复杂效果，坏的特征能让深度学习模型原地踏步。
4.1 滑动平均：把噪声滤掉，趋势露出来
先说滑动平均。这玩意儿说白了就是「取一段时间的平均值」。比如你有一分钟一条的风速数据，但风机叶片受湍流影响，数据跳得厉害。直接拿原始数据去预测，模型会被噪声带偏。
我习惯用滑动平均来平滑数据。举个例子：
import pandas as pd
# 假设df是原始数据，风速列叫'wind_speed'
# 计算过去10分钟的滑动平均
df['ws_ma_10'] = df['wind_speed'].rolling(window=10).mean()
# 也可以试试30分钟窗口
df['ws_ma_30'] = df['wind_speed'].rolling(window=30).mean()这里有个坑，我踩过好几次。窗口大小怎么选？太小了平滑效果差，太大了会把真实变化也抹掉。我个人经验是：先看数据的时间尺度。如果预测目标是15分钟后的功率，窗口选10-20分钟比较合适。如果是小时级预测，窗口可以拉到1-2小时。
小技巧：别只用一个窗口。试试多个窗口（比如5分钟、15分钟、30分钟），让模型自己去选哪个有用。这叫「多尺度特征」，效果往往比单个窗口好。
4.2 差分：让非平稳数据变平稳
风电数据有个特点——它不平稳。什么意思？就是均值、方差会随时间变化。比如白天风速大，晚上风速小。这种趋势会让模型学偏。
差分就是解决这个问题的。它计算的是「当前值减去上一个值」，说白了就是看变化量，而不是绝对值。
# 一阶差分：当前风速减去上一分钟风速
df['ws_diff_1'] = df['wind_speed'].diff(1)
# 也可以试试间隔5分钟的差分
df['ws_diff_5'] = df['wind_speed'].diff(5)我记得有一次做短期预测，原始风速数据直接输入模型，误差大得离谱。后来加了差分特征，误差直接降了15%。为什么会这样？因为模型终于学会了「风速在变大还是变小」，而不是死记硬背「风速是多少」。
注意：差分会丢失数据量。一阶差分少一行，二阶差分少两行。如果你的数据本来就少，要谨慎使用。另外，差分后的数据如果出现异常大的值，可能是传感器跳变，记得先做异常值处理。
4.3 时间特征：把时间变成模型能懂的数字
时间本身不是数字，但模型只认数字。所以我们需要把时间「翻译」成特征。比如：
- 小时：0-23，表示一天中的时刻
- 星期几：0-6，表示一周中的位置
- 月份：1-12，表示季节信息
- 是否节假日：0或1，节假日用电模式不同
但这里有个细节——时间特征是循环的。23点和0点其实只差1小时，但数值上差了23。直接扔给模型，它会觉得这两个时间点「差很远」。这不对。
我建议用正弦余弦变换来处理循环特征：
import numpy as np
# 小时特征的正弦余弦编码
df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24)
df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24)
# 月份同理
df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)这样处理后，23点和0点在二维空间里是相邻的，模型就能理解「它们其实很近」。这个技巧我在多个项目里用过，效果很稳。
4.4 特征组合：1+1 > 2
单个特征有时候不够用。比如风速和风向单独看，信息有限。但把它们组合起来——比如计算「风速在风向方向上的分量」——就能反映风到底往哪个方向吹，这对功率预测很关键。
常见的组合方式：
- 风速 × 风向分量：反映有效风速
- 温度 × 湿度：反映空气密度（影响发电效率）
- 滑动平均 × 差分：既看趋势又看变化速度
我的习惯：先做单特征分析，看看每个特征和目标的相关性。然后挑几个相关性高的，做两两组合。别一上来就搞几十个组合，容易过拟合。
4.5 特征选择：别什么都往里塞
特征不是越多越好。我见过有人搞了200多个特征，模型训练慢得要命，效果还不好。这叫「维度灾难」。
怎么选？我常用的方法：
- 相关性分析：计算每个特征和目标变量的相关系数，去掉相关性低的
- 特征重要性：用随机森林或XGBoost跑一次，看模型认为哪些特征重要
- 业务常识：有些特征虽然统计上相关，但物理上说不通，果断去掉
我曾经在一个项目里，用相关性分析筛掉了30%的特征，模型速度提升了40%，精度反而没降。嗯，这就是「少即是多」的道理。
4.6 本章知识体系
下面这张图总结了特征工程的完整流程，我画了很久，希望能帮你理清思路：
这张图展示了特征工程的完整链路：从原始数据出发，经过滑动平均、差分、时间特征、特征组合四个核心步骤，再通过特征选择筛选出最有用的部分，最终输入模型。每一步都有它的作用，缺一不可。
4.7 避坑指南
最后，分享几个我踩过的坑：
- 不要用未来数据做特征：比如用t+1时刻的数据预测t时刻，这叫「数据泄露」。我见过有人犯这个错，模型在测试集上表现完美，一上线就崩。
- 训练集和测试集要分开做特征：滑动平均、差分这些操作，要在训练集和测试集上分别计算，不能混在一起。
- 特征标准化别忘了：不同特征的量级差异很大（风速0-30，温度-10-40），不做标准化，模型会偏向数值大的特征。
一句话总结：特征工程不是炫技，而是理解数据、提炼信息的过程。多花时间在特征上，模型会给你回报。
公众号:蓝海资料掘金营，微信deep3321