特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化
人工智能项目
特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化
用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
人工智能项目

特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化

阅读信息

难度: 实战 阅读时间: 11 分钟
  • Feature Engineering
  • Pipeline
  • ColumnTransformer
打开知识图谱

在很多机器学习项目里，模型本身并不是最先决定效果的部分。真正拉开差距的，往往是特征工程：缺失值怎么处理、类别变量怎么编码、数值特征要不要标准化、训练集和测试集之间有没有数据泄漏。

这篇文章用 scikit-learn 的 Pipeline 和 ColumnTransformer 跑通一个小型特征工程流程。读完以后，你可以把缺失值、类别变量和数值标准化放进同一个可复用的训练流程里。

如果你还在纠结应该选哪个模型，可以先读 机器学习算法怎么选。本文关注的是另一个高频问题：机器学习特征工程怎么做。

一、什么是特征工程

特征工程就是把原始数据变成模型能稳定学习的输入。它不是简单地“清洗数据”，而是让数据结构更适合模型。

  • 缺失值处理：例如年龄缺失、收入缺失、类别未知
  • 类别编码：把城市、专业、设备类型这类文本类别转成模型可读形式
  • 数值缩放：让不同单位的数值特征处在可比较的尺度上
  • 特征组合：把已有字段组合成更有含义的新字段
  • 防止数据泄漏：测试集信息不能提前参与训练阶段的统计

同一个模型，输入特征不同，效果可能完全不一样。特征工程的目标不是制造复杂字段，而是保留真实有用的信息，并让训练过程可复现。

二、为什么不要手动处理完整数据后再拆分

很多初学者会先对完整数据做均值填充、标准化、类别编码，然后再拆分训练集和测试集。这是一个常见的数据泄漏风险。

正确做法是：只在训练集上学习填充值、标准化参数和类别编码规则，然后把同一套规则应用到测试集。scikit-learn 的 Pipeline 正是为这个流程设计的。

三、准备一个混合特征数据集

下面用一个很小的示例数据集模拟真实表格数据。它同时包含数值特征、类别特征和缺失值。

import pandas as pd


data = pd.DataFrame({
    "study_hours": [2.0, 5.5, 1.0, 7.0, None, 3.5, 6.0, 8.0],
    "sleep_hours": [6.0, 7.5, None, 8.0, 5.0, 6.5, 7.0, 8.5],
    "major": ["CS", "Math", "Art", "CS", "Business", "Math", None, "CS"],
    "uses_planner": ["yes", "yes", "no", "yes", "no", "no", "yes", None],
    "passed": [0, 1, 0, 1, 0, 0, 1, 1],
})

X = data.drop(columns="passed")
y = data["passed"]

这个例子不代表真实教育评价，只用于演示机器学习特征处理流程。真实项目里要避免把敏感变量、偏见变量或不合规数据直接放进模型。

四、用 ColumnTransformer 分开处理数值和类别特征

数值特征和类别特征不能用同一种处理方式。数值特征适合用中位数填充和标准化，类别特征适合用最常见类别填充和 one-hot 编码。

from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler


numeric_features = ["study_hours", "sleep_hours"]
categorical_features = ["major", "uses_planner"]

numeric_transformer = Pipeline([
    ("imputer", SimpleImputer(strategy="median")),
    ("scaler", StandardScaler()),
])

categorical_transformer = Pipeline([
    ("imputer", SimpleImputer(strategy="most_frequent")),
    ("encoder", OneHotEncoder(handle_unknown="ignore")),
])

preprocessor = ColumnTransformer([
    ("num", numeric_transformer, numeric_features),
    ("cat", categorical_transformer, categorical_features),
])

handle_unknown="ignore" 很重要。它表示测试集中如果出现训练时没见过的新类别，编码器不会直接报错，而是用一组空的 one-hot 编码处理。

五、把特征工程和模型放进同一个 Pipeline

接下来把预处理器和模型连接起来。这样训练、预测、交叉验证时都会自动使用同一套处理流程。

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn.pipeline import Pipeline


model = Pipeline([
    ("preprocess", preprocessor),
    ("classifier", LogisticRegression()),
])

scores = cross_val_score(model, X, y, cv=4, scoring="accuracy")
print("CV accuracy:", scores)
print("Mean accuracy:", scores.mean())

在真实项目中，你可以把 LogisticRegression 换成随机森林、梯度提升树或其他模型，但前面的预处理结构可以继续复用。

六、完整可运行代码

下面是整合后的完整版本，可以直接保存为 feature_engineering_demo.py 运行。

import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler


data = pd.DataFrame({
    "study_hours": [2.0, 5.5, 1.0, 7.0, None, 3.5, 6.0, 8.0],
    "sleep_hours": [6.0, 7.5, None, 8.0, 5.0, 6.5, 7.0, 8.5],
    "major": ["CS", "Math", "Art", "CS", "Business", "Math", None, "CS"],
    "uses_planner": ["yes", "yes", "no", "yes", "no", "no", "yes", None],
    "passed": [0, 1, 0, 1, 0, 0, 1, 1],
})

X = data.drop(columns="passed")
y = data["passed"]

numeric_features = ["study_hours", "sleep_hours"]
categorical_features = ["major", "uses_planner"]

numeric_transformer = Pipeline([
    ("imputer", SimpleImputer(strategy="median")),
    ("scaler", StandardScaler()),
])

categorical_transformer = Pipeline([
    ("imputer", SimpleImputer(strategy="most_frequent")),
    ("encoder", OneHotEncoder(handle_unknown="ignore")),
])

preprocessor = ColumnTransformer([
    ("num", numeric_transformer, numeric_features),
    ("cat", categorical_transformer, categorical_features),
])

model = Pipeline([
    ("preprocess", preprocessor),
    ("classifier", LogisticRegression()),
])

scores = cross_val_score(model, X, y, cv=4, scoring="accuracy")
print("CV accuracy:", scores)
print("Mean accuracy:", scores.mean())

运行命令如下：

python3 -m venv .venv
source .venv/bin/activate
pip install scikit-learn pandas
python feature_engineering_demo.py

七、常见特征工程错误

  • 先处理完整数据再拆分：容易让测试集信息泄漏到训练阶段
  • 对类别变量直接编号：比如把城市编码成 1、2、3，模型可能误以为它们有大小关系
  • 忽略训练和线上数据差异：线上出现新类别时，如果没有 handle_unknown，预测流程可能报错
  • 删除太多缺失样本：缺失本身可能包含信息，直接删除会改变数据分布
  • 没有保存预处理流程：训练时怎么处理，预测时也必须一样处理

八、特征工程和模型调参哪个更重要

如果数据很粗糙，优先做特征工程；如果数据结构已经合理，再做模型调参。很多项目里，补上正确的缺失值处理、类别编码和防泄漏流程，比盲目换模型更有效。

一个实用顺序是：

  1. 先做可复现的数据拆分。
  2. 用 Pipeline 固定预处理流程。
  3. 训练一个简单基线模型。
  4. 检查错误样本和重要特征。
  5. 最后再比较不同模型和参数。

九、常见问题 FAQ

所有数值特征都要标准化吗？

线性模型、KNN、SVM 和神经网络通常更需要标准化。树模型对特征尺度不敏感，但标准化也不会总是有害，关键是保持训练和预测流程一致。

one-hot 编码会不会让特征太多？

如果类别数量很少，one-hot 编码通常没问题。如果一个字段有几千或几万个类别，就要考虑合并低频类别、目标编码、哈希技巧或其他表示方法。

缺失值应该用平均值还是中位数？

数值分布比较偏、异常值较多时，中位数通常更稳。类别特征常用最常见类别填充，也可以单独填成 Unknown。

十、下一步阅读

特征工程能让模型看到更稳定的信息，但它不能解决所有问题。如果训练集效果很好、验证集效果明显下降，下一步应该读 过拟合和欠拟合怎么解决。

内部链接

相关阅读

补基础 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表

用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。

 继续下一篇 模型训练与评估入门：损失函数、过拟合和准确率怎么理解

讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。

 学习路线 AI 学习路线

按顺序阅读 AI 基础、机器学习、CNN、流量防御和 AI 安全内容。

 专题页 学生 AI 项目

把手写数字、浏览器实验台和 CNN 项目串成作品集路线。

 知识图谱 知识图谱

查看这篇文章和项目、资源、路线之间的关系。

搜索问题

常见问题

这篇文章适合谁读？

这篇文章适合想用 实战 难度理解“特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化”的读者，预计阅读时间约 11 分钟，重点覆盖 Feature Engineering, Pipeline, ColumnTransformer。

读完后下一步应该看什么？

推荐下一步阅读“模型训练与评估入门：损失函数、过拟合和准确率怎么理解”，这样可以把当前知识点接到更完整的学习路线里。

这篇文章有没有可运行代码或配套资源？

有。页面里的运行说明、资源卡片和下载入口会指向复现实验所需的命令、数据、代码或说明文件。

这篇文章和整个网站的学习路线有什么关系？

它会通过文章上下文、学习路线、资源库和项目时间线连接到同一主题下的其他内容。

文章上下文

人工智能项目

从 AI、机器学习、训练评估、神经网络到 Python 小实战、手写数字识别、CIFAR-10 CNN、对抗性流量防御和 AI 安全攻防，按顺序建立基础。

难度: 实战 阅读时间: 11 分钟
  • Feature Engineering
  • Pipeline
  • ColumnTransformer

继续下一步

继续：模型训练与评估入门
先补基础 查看项目
对应语言版本 整理中
可分享摘要 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化

用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。

下载分享图 打开分享中心

发表回复

项目时间线

已发布文章

  1. 人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习 面向有编程基础的读者，梳理 AI、机器学习、深度学习的关系，并给出可执行的人工智能基础学习路线。
  2. 机器学习完整流程：从数据、特征到模型预测 从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。
  3. 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表 用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。
  4. 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化 用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
  5. 模型训练与评估入门：损失函数、过拟合和准确率怎么理解 讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。
  6. 过拟合和欠拟合怎么解决：机器学习模型调优实战指南 用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
  7. 神经网络基础：从感知机到多层网络 从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。
  8. Python 人工智能小实战：用 scikit-learn 完成一个分类任务 使用 scikit-learn 内置教学数据集跑通一个分类任务，覆盖数据加载、拆分、标准化、训练、预测、评估和实验记录。
  9. 手写数字识别项目入门：先读懂 train.csv、test.csv 和标签结构 从项目文件结构入手，读懂手写数字训练集、测试集、标签列和 784 维像素输入，为后续 C 分类器和实验台打基础。
  10. 用 C 实现手写数字 Softmax 分类器：从 784 维像素到 submission.csv 结合当前项目源码，讲清楚 softmax 多分类、损失函数、梯度更新、混淆矩阵输出，以及 submission.csv 的生成过程。
  11. 手写数字实验记录：怎么把离线分类项目接进浏览器实验台 解释浏览器实验台为什么采用轻量预训练模型、它和离线 C 项目的关系，以及如何用样本浏览和手绘输入理解预测结果。
  12. CIFAR-10 Tiny CNN 教程：用 C 语言实现小型卷积神经网络图像分类 用单文件 C 程序完成 CIFAR-10 小型 CNN 图像分类，讲解数据格式、网络结构、训练命令、loss、accuracy、常见错误和改进方向。
  13. 构建高熵流量防御：基于 Python 的连接层白噪声混淆与对抗性机器学习实践 以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。
  14. AI 安全威胁建模：用 NIST AML、MITRE ATLAS 和 OWASP 建立攻防地图 用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。
  15. 对抗样本与鲁棒评估：从 FGSM 公式到 scikit-learn 数字分类实验 从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。
  16. 数据投毒与后门攻击防御：污染率、触发器和训练管线隔离 用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。
  17. 模型隐私与模型窃取风险：成员推断、模型抽取和输出接口防护 用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。
  18. LLM/RAG/Agent 安全：Prompt Injection、工具权限和边界感知防护 从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。
  19. 人工智能 NLP 基础：词袋模型与 TF-IDF 详解 介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。
  20. 循环神经网络 (RNN) 基础：处理序列数据的记忆力 理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。
  21. Transformer 与自注意力机制：AI 领域的革命性突破 深入浅出地讲解 Transformer 架构的核心：自注意力机制（Self-Attention）及其运作方式。
  22. 用 C 从零实现 CIFAR-10 Tiny CNN：卷积、池化和反向传播 基于实际 cifar10_tiny_cnn.c 项目，讲解 CIFAR-10 数据格式、3x3 卷积、ReLU、最大池化、全连接层、softmax、反向传播和本地运行方式。

已公开资源

  1. Python AI 小实战代码说明 文章内包含可直接复制运行的 scikit-learn 分类脚本。
  2. digit_softmax_classifier.c 手写数字 softmax 分类器的 C 语言源码。
  3. train.csv.zip 手写数字训练集压缩包，包含 42000 条带标签样本。
  4. test.csv.zip 手写数字测试集压缩包，包含 28000 条待预测样本。
  5. sample_submission.csv 官方提交格式示例，可直接对照最终输出字段。
  6. submission.csv 当前 C 项目跑出的预测结果文件。
  7. digit-playground-model.json 浏览器实验台使用的轻量 softmax 演示模型与样本。
  8. digit-sample-grid.svg 从训练集中抽取的小型手写数字预览网格。
  9. 手写数字项目打包下载 包含源码、压缩数据、提交文件、浏览器模型和样本预览图。
  10. cifar10_tiny_cnn.c 源码 单文件 C 语言 tiny CNN，包含 CIFAR-10 读取、卷积、池化、softmax 和反向传播。
  11. model_weights.bin 样例权重 一次本地小样本运行生成的模型权重文件。
  12. test_predictions.csv 预测样例 CIFAR-10 tiny CNN 输出的测试预测样例。
  13. CNN 项目说明 PDF 配套 CNN 项目说明材料。
  14. 虚幻镜脱敏代码骨架 去除控制口令、真实节点和目标列表后的 mld_chaffing_v2.py 控制流程说明。
  15. 虚幻镜压力测试记录模板 用于记录 CPU、内存、线程峰值、微脉冲速率、延迟和错误数的脱敏 CSV 模板。
  16. 虚幻镜分类器评估模板 用于记录 TP、FN、FP、TN、accuracy、precision、recall、F1、ROC-AUC、熵和 JS 散度的 CSV 模板。
  17. 虚幻镜资源说明 说明公开资源为何只提供脱敏代码、测试模板和架构笔记。
  18. AI Security Lab 说明 说明 AI 安全攻防系列的安全边界、安装命令和 quick-run 实验。
  19. AI Security Lab 完整实验包 包含安全 toy scripts、结果 CSV、风险登记表、攻防矩阵和架构图。
  20. AI 安全风险登记表 面向 AI 威胁建模和上线评审的 CSV 风险登记模板。
  21. AI 攻防矩阵 把攻击面、toy demo、指标和防护控制映射到一张 CSV 表。
  22. AI Security Lab 架构图 展示威胁建模、鲁棒评估、数据完整性、模型隐私和 RAG 防护之间的关系。
  23. FGSM digits 鲁棒评估脚本 本地 digits 分类器的 FGSM-style 扰动和准确率下降实验。
  24. 数据投毒与后门 toy 脚本 用 digits 数据演示污染率、触发器和 attack success rate。
  25. 模型隐私与抽取 toy 脚本 输出 membership AUC、target accuracy、surrogate fidelity 和 surrogate accuracy。
  26. RAG prompt injection guard toy 脚本 用确定性 toy agent 演示外部数据降权和工具权限阻断。
  27. 深度学习专题分享图 用于分享深度学习 / CNN 专题页的 1200x630 SVG 图。
  28. 从零实现机器学习分享图 用于分享 K-means、Iris 和机器学习流程专题页的 1200x630 SVG 图。
  29. 学生 AI 项目分享图 用于分享手写数字、C 分类器和浏览器实验台专题页的 1200x630 SVG 图。
  30. CNN 卷积扫描动画 Remotion 生成的 8 秒短动画，展示 3x3 卷积核如何扫描输入并形成特征图。

当前学习路线

  1. 人工智能基础学习路线 学习路线节点
  2. 机器学习完整流程 学习路线节点
  3. 机器学习算法怎么选 学习路线节点
  4. 特征工程入门实战 学习路线节点
  5. 模型训练与评估入门 学习路线节点
  6. 过拟合和欠拟合怎么解决 学习路线节点
  7. 神经网络基础 学习路线节点
  8. Transformer 自注意力机制 学习路线节点
  9. LLM 可视化教学台 学习路线节点
  10. Python 人工智能小实战 学习路线节点
  11. 手写数字数据结构入门 学习路线节点
  12. 用 C 实现手写数字 Softmax 分类器 学习路线节点
  13. 手写数字实验台说明 学习路线节点
  14. CIFAR-10 Tiny CNN 教程 学习路线节点
  15. 高熵流量防御实验 学习路线节点
  16. AI 安全威胁建模 学习路线节点
  17. 对抗样本与鲁棒评估 学习路线节点
  18. 数据投毒与后门防御 学习路线节点
  19. 模型隐私与模型抽取防护 学习路线节点
  20. LLM/RAG/Agent 安全 学习路线节点

下一步计划

  1. 补充更多图像分类和误差分析案例
  2. 把常见指标整理成速查表
  3. 继续补充 AI 安全防御实验记录