大规模特征抽取的核心是分层处理以用更少资源覆盖更多信号：清洗→结构化→高阶构造→筛选压缩；文本特征需轻量预处理、限词表、用HashingVectorizer；类别特征对高基数字段应频次截断+TargetEncoder或哈希分桶；时序特征按业务节奏提取多粒度时间特征与自然日聚合；特征筛选用互信息或排列重要性，存储改用parquet/feather并加前缀。
大规模特征抽取的核心思路
大规模特征抽取不是堆砌更多特征，而是用更少计算资源覆盖更多业务信号。关键在“分层处理”：原始数据清洗 → 结构化特征生成 → 高阶特征构造 → 特征筛选压缩。尤其当样本超千万、字段上百时，盲目用sklearn.Pipeline套所有步骤，容易内存爆炸或训练卡死。
文本类特征：别急着TF-IDF，先做轻量预处理
面对海量日志、评论、商品标题，直接调TfidfVectorizer会把稀疏矩阵撑爆内存。建议分三步走：
- 用pandas.Series.str.replace批量清理噪声（如URL、重复标点、控制字符），比正则逐行快5–10倍
- 限制词表大小：max_features=50000 + min_df=10（过滤低频词），避免百万级无意义n-gram
- 改用HashingVectorizer替代TF-IDF——不存词汇表，固定维度，适合分布式或流式场景
类别型特征：高基数字段要“降维+编码”双管齐下
用户ID、商品SKU、IP地址这类字段动辄几十万唯一值，OneHotEncoder直接报错。实用解法：
- 统计频次，保留Top N（如前1000）高频值，其余归为“other”再one-hot
- 用TargetEncoder（需防数据泄露！训练集内k折平滑）替代LabelEncoder，对点击率、转化率等目标敏感的场景更稳定
- 对超长ID，可截取后4位+MD5取模（如hash(sku) % 64）做哈希分桶，再嵌入或one-hot，兼顾泛化与内存
时间与序列特征：按业务节奏提取，拒绝硬切窗口
订单/行为日志含强时序性，但“过去7天均值”这种固定窗口常忽略业务周期。更有效做法：
- 提取多粒度时间特征：小时段（是否晚高峰）、星期几（周末效应）、距节假日天数（大促前置行为）
- 用pd.Grouper(key='ts', freq='D')按自然日聚合，而非rolling(7)——避免跨月/
跨年计算偏差
- 对用户行为序列，优先用aggregation + shift（如“上一次下单间隔小时数”），比LSTM类模型轻量且可解释
特征筛选与存储：省掉90%无效特征的关键动作
特征越多≠效果越好。上线前务必做两件事：
- 用SelectKBest(score_func=mutual_info_classif)或PermutationImportance（树模型后）筛掉低信息量特征，通常能砍掉30–60%冗余列
- 存储不用pickle——改用parquet（支持列裁剪、压缩比高）或feather（内存映射快），读取速度提升3–5倍
- 特征名加前缀（如usr__age_bucket、item__price_log），方便后续pipeline定位和AB实验分流
基本上就这些。大规模特征工程不是炫技，是让每一维特征都“有来由、可复现、能监控”。
跨年计算偏差