4、数据预处理（下）：特征工程（风速、风向、温度、气压等）、数据标准化与归一化

好，咱们接着聊。上一节我们把数据清洗干净了，但原始数据还不能直接喂给模型。为什么？你想想看，风速是每秒几米到几十米，温度是零下到零上几十度，气压是几百到上千百帕——这些数值的量级差太多了。

我刚开始做风电预测那会儿，直接把原始数据扔进神经网络，结果模型训练半天不收敛。后来才发现，特征工程这步没做好，模型根本学不明白。说白了，特征工程就是帮模型「翻译」数据，让它能听懂风电场在说什么。

4.1 风速特征：不只是数值那么简单

风速是最核心的特征，但直接拿原始风速值用，效果往往一般。我个人习惯做以下几件事：

• 风速的平方/立方：风功率与风速的立方成正比，这个物理关系不能丢。我一般会生成 wind_speed^2 和 wind_speed^3 两个特征。
• 风速的滞后项：当前时刻的风速与过去几小时的风速强相关。我常用的是滞后1小时、3小时、6小时的风速值。
• 风速的滚动统计量：过去1小时的平均风速、最大风速、风速标准差。这些能反映风的「脾气」。

# 风速特征工程示例
import pandas as pd
import numpy as np

def create_wind_features(df):
    # 风速平方和立方
    df['ws2'] = df['wind_speed'] ** 2
    df['ws3'] = df['wind_speed'] ** 3
    
    # 滞后特征
    df['ws_lag1'] = df['wind_speed'].shift(1)
    df['ws_lag3'] = df['wind_speed'].shift(3)
    df['ws_lag6'] = df['wind_speed'].shift(6)
    
    # 滚动统计量（过去6小时窗口）
    df['ws_roll_mean'] = df['wind_speed'].rolling(6).mean()
    df['ws_roll_std'] = df['wind_speed'].rolling(6).std()
    df['ws_roll_max'] = df['wind_speed'].rolling(6).max()
    
    return df

4.2 风向特征：别把它当普通数值

风向是个环形变量，0度和360度其实是一个方向。如果你直接拿数值去算，模型会以为0和360差很远，这显然不对。

我处理风向的常用方法：

• 分解为正弦和余弦：这是最经典的做法。把风向角度拆成 sin(θ) 和 cos(θ)，这样就能保留方向的连续性。
• 风向的类别特征：把360度分成16个扇区（每个22.5度），做one-hot编码。这个在传统机器学习模型里效果不错。
• 风向与风速的交互：某个方向来的风，风速和功率的关系可能不一样。我习惯把风向扇区和风速做交叉特征。

# 风向特征工程
def create_wind_direction_features(df):
    # 角度转弧度
    rad = np.deg2rad(df['wind_direction'])
    
    # 正弦和余弦
    df['wd_sin'] = np.sin(rad)
    df['wd_cos'] = np.cos(rad)
    
    # 风向扇区（16个方向）
    df['wd_sector'] = (df['wind_direction'] // 22.5).astype(int)
    df['wd_sector'] = df['wd_sector'] % 16
    
    # 风向与风速交互
    df['wd_ws_interact'] = df['wd_sin'] * df['wind_speed']
    
    return df

4.3 温度与气压特征：别小看它们

温度和气压对空气密度有直接影响，而空气密度又影响风能转换效率。我记得在云南一个高海拔风电场，空气密度比平原低20%左右，同样的风速，发电量差一大截。

我常用的处理方式：

• 温度：直接使用，但建议做差分（当前温度减去前一小时温度），能反映温度变化趋势。
• 气压：同样直接使用，气压变化往往预示着天气系统变化，对风速有前兆意义。
• 空气密度：用温度和气压计算空气密度，这是一个物理特征，比单独用温度或气压更有解释力。

# 温度和气压特征
def create_temp_pressure_features(df):
    # 温度差分
    df['temp_diff'] = df['temperature'].diff()
    
    # 气压差分
    df['press_diff'] = df['pressure'].diff()
    
    # 计算空气密度（理想气体公式）
    # ρ = P / (R * T)，R为气体常数287.058 J/(kg·K)
    R = 287.058
    df['air_density'] = df['pressure'] * 100 / (R * (df['temperature'] + 273.15))
    
    return df

4.4 数据标准化与归一化

这一步很多人容易搞混。标准化和归一化是两回事，我简单说下区别：

方法	公式	输出范围	适用场景
归一化（Min-Max）	(x - min) / (max - min)	[0, 1]	数据有明确边界，如风向角度
标准化（Z-score）	(x - μ) / σ	均值为0，标准差为1	数据分布近似正态，如风速
鲁棒缩放	(x - median) / IQR	无固定范围	数据有异常值

# 标准化与归一化
from sklearn.preprocessing import StandardScaler, MinMaxScaler

# 标准化（推荐用于风速、温度等）
scaler_std = StandardScaler()
X_train_scaled = scaler_std.fit_transform(X_train)
X_val_scaled = scaler_std.transform(X_val)
X_test_scaled = scaler_std.transform(X_test)

# 归一化（推荐用于风向的sin/cos）
scaler_mm = MinMaxScaler(feature_range=(-1, 1))
X_train_mm = scaler_mm.fit_transform(X_train)
X_val_mm = scaler_mm.transform(X_val)
X_test_mm = scaler_mm.transform(X_test)

4.5 特征工程整体流程

下面这张图是我做特征工程时常用的流程，你可以参考一下：

嗯，到这里特征工程的核心内容就讲完了。你可能会问，这些特征都要用吗？我的建议是：先全部生成，然后用特征重要性分析（比如随机森林的特征重要性）筛选一遍。别怕特征多，就怕特征不够。