1. 这不是又一篇“调个sklearn就完事”的 Feature Selection 教程你点开这篇大概率刚学完 Pandas 和 Scikit-learn 的基础 API正对着一个真实数据集发愁列有 47 个其中 3 个是 ID 字段、5 个是时间戳拆出来的冗余特征、2 个明显和目标变量毫无关系的文本统计量——但你不敢删怕删掉“关键信息”你试过SelectKBest选了前 10 个模型 AUC 反而从 0.82 掉到 0.76你也跑过RandomForestClassifier.feature_importances_结果发现“客户注册时长秒”重要性排第三可这列里 92% 是缺失值你根本没处理……这不是理论缺陷是新手在真实项目里踩进的第一个泥坑Feature Selection 不是算法选择题而是数据诊断业务理解统计直觉工程权衡的四重奏。本篇不讲“什么是方差阈值法”不罗列sklearn.feature_selection下所有类的参数表也不用 Iris 或 Titanic 这种被讲烂的玩具数据集糊弄人。我用自己上个月帮一家社区电商公司做用户复购预测的真实项目为蓝本——原始数据含 63 列含 11 列埋点事件计数、7 列用户画像衍生字段、4 列订单聚合统计、3 列时间窗口滑动特征最终上线模型只保留 14 个特征训练耗时降低 68%线上推理延迟从 127ms 压到 41ms更重要的是业务方第一次能看懂模型在“看什么”他们指着特征重要性图说“原来‘最近7天加购未下单次数’比‘历史总消费金额’更能预示复购那我们下周的弹窗策略得改。”——这才是 Feature Selection 的终极价值让模型决策可解释、可干预、可迭代。适合谁读如果你满足以下任一条件这篇就是为你写的能写model.fit(X, y)但不知道X里哪些列该留、哪些该砍、哪些该合并被feature_importance输出的数字搞晕分不清是模型偏见还是真实信号在 Kaggle 比赛里靠暴力堆特征拿过银牌但一到公司真实业务场景就失灵听说过“多重共线性”“信息泄露”“稳定性测试”但没亲手用 VIF 算过相关系数也没在时间序列特征上栽过跟头。接下来的内容全部基于这个真实项目展开从原始数据结构解析到每一步筛选的决策依据、计算过程、失败案例再到如何把结果翻译成业务语言。所有代码可直接复制运行所有参数都有明确物理意义所有“为什么这么选”都附带实测对比数据。2. 内容整体设计与思路拆解为什么必须放弃“一步到位”的幻想2.1 特征筛选不是单次算法调用而是分阶段漏斗式过滤很多教程把 Feature Selection 描绘成一个“选算法→调参数→出结果”的线性流程这在教学场景下成立但在真实项目中会直接导致灾难。我们项目初期也犯过这个错误直接对原始 63 列跑SelectKBest(score_funcmutual_info_classif, k15)结果选出的特征里包含“用户设备型号编码”高互信息但实际是噪声、“订单创建时间小时数”强周期性但未做循环编码模型线下验证 AUC 0.79上线后首周 AUC 骤降至 0.63。复盘发现算法只认统计显著性不认业务合理性只看瞬时相关性不看时间稳定性。因此我们彻底重构了流程采用四级漏斗设计第一级数据质量清洗层Data Sanity Filter目标剔除无法参与建模的“废料”特征非统计筛选纯数据工程动作。关键动作缺失率 85% 的列直接删除如“用户最后登录IP地理位置精度”列93% 缺失且无法插补唯一值占比 99.5% 的列删除如“是否启用消息推送”列99.7% 为 True无区分度字符串型特征中出现频次 Top1 占比 95% 的列删除如“用户来源渠道”中“微信小程序”占 96.2%其余渠道不足 4%。为什么必须前置因为后续所有统计方法如互信息、卡方检验对缺失值和极低方差特征极度敏感会扭曲评分结果。我们实测未做此步时mutual_info_classif对“设备型号编码”的评分虚高 3.2 倍。第二级单变量统计初筛层Univariate Statistical Gate目标用轻量级、可解释的统计指标快速淘汰弱相关特征保留候选池。关键动作对数值型特征用 Pearson 相关系数|r| 0.08 则剔除对分类型特征用卡方检验p-value 0.05 则剔除对混合类型用互信息MI 0.01 则剔除。注意此处的阈值不是拍脑袋定的而是通过交叉验证网格搜索确定的——我们在验证集上遍历 |r| 从 0.01 到 0.20 的步长发现 |r|0.08 时模型 AUC 方差最小±0.003且保留特征数适中28 列。第三级多变量稳定性验证层Multivariate Stability Check目标解决单变量筛选的致命缺陷——忽略特征间协同效应与共线性。关键动作计算候选特征集的方差膨胀因子VIF剔除 VIF 5 的特征如“近30天订单数”和“近30天支付成功数”VIF8.7后者被删使用递归特征消除RFE配合 LightGBM进行 5 折交叉验证记录每个特征在各折中被保留的频率仅保留频率 ≥ 80% 的特征如“近7天加购未下单次数”在 5 折中全被保留而“历史平均客单价”仅在 2 折中被保留故剔除。第四级业务逻辑终审层Business Logic Final Review目标将算法输出翻译为业务可理解的语言由产品/运营负责人签字确认。关键动作将剩余特征按业务维度分组如“行为类”“属性类”“时间类”对每个特征提供三句话说明“它是什么”“为什么可能影响复购”“如果它异常如突增/突降业务上会做什么”删除所有无法给出第三句答案的特征如“用户设备屏幕宽度像素值”技术上可提取但业务方无法据此行动。提示这个四级漏斗不是教条而是我们踩坑后形成的肌肉记忆。第二级和第三级之间必须插入人工检查——我们曾发现 RFE 保留了“用户注册邮箱域名后缀”因为 .edu 邮箱用户复购率确实高但业务方立刻指出这是高校批量注册的羊毛党属于作弊流量必须剔除。算法再强也替代不了业务常识。2.2 为什么坚决不用“全自动”方案以 Boruta 为例的深度复盘Boruta 是常被推荐的“全自动特征选择器”它通过构建影子特征shadow features并比较 Z-score 来判断重要性。我们项目初期也尝试过结果令人沮丧它选出了 22 个特征但其中 7 个是明显噪声如“用户头像 URL 的哈希值长度”AUC 在验证集上仅 0.74。深入分析源码和论文后我们定位到三个硬伤影子特征构造方式失效Boruta 对数值型特征用随机置换生成影子特征但我们的“近7天浏览商品品类数”存在大量 0 值61% 用户未浏览置换后影子特征分布严重偏离原分布导致 Z-score 失真决策阈值过于僵化Boruta 默认用 1.96对应 95% 置信度作为重要性阈值但我们的业务场景要求更高鲁棒性——复购预测中误判“高潜力用户”成本远高于漏判因此需要更保守的阈值我们实测 2.58 更合适完全忽略时间维度Boruta 将所有样本视为独立同分布但我们的数据是时间序列用户行为按天采集它无法识别“近3天加购次数”比“历史总加购次数”更具预测力。因此我们彻底弃用 Boruta转而用自定义的稳定性测试对每个候选特征生成 100 个 Bootstrap 样本分别训练 LightGBM 并记录该特征的重要性排名计算其排名标准差。标准差 15 的特征如“用户首次下单距今月数”被标记为“不稳定”需人工核查——结果发现该特征在新用户群中重要性极高在老用户群中几乎为 0最终我们将其拆分为“新用户首次下单月数”和“老用户活跃度衰减月数”两个新特征。注意没有银弹算法。Boruta 在学术数据集上表现优异是因为那些数据集经过严格清洗、无时间依赖、无业务噪声。真实世界的数据像一锅粥你需要的是厨师不是全自动炒菜机。3. 核心细节解析与实操要点从代码到业务的每一处陷阱3.1 第一级过滤数据质量清洗的硬核操作清单这一级看似简单却是后续所有步骤的基石。我们用 Pandas 和 NumPy 实现不依赖任何高级库确保逻辑透明可控。以下是核心代码块及逐行解读import pandas as pd import numpy as np def data_sanity_filter(df: pd.DataFrame, missing_threshold: float 0.85, unique_ratio_threshold: float 0.995, top_freq_threshold: float 0.95) - pd.DataFrame: 数据质量清洗主函数 :param df: 原始DataFrame :param missing_threshold: 缺失率阈值此值则删除 :param unique_ratio_threshold: 唯一值占比阈值此值则删除 :param top_freq_threshold: 最高频次占比阈值此值则删除 :return: 清洗后的DataFrame df_clean df.copy() cols_to_drop [] # 步骤1缺失率检查 missing_ratios df_clean.isnull().mean() high_missing_cols missing_ratios[missing_ratios missing_threshold].index.tolist() cols_to_drop.extend(high_missing_cols) print(f【缺失率过滤】删除 {len(high_missing_cols)} 列{high_missing_cols}) # 步骤2唯一值占比检查数值型和分类型统一处理 for col in df_clean.columns: if col in cols_to_drop: # 已标记删除的跳过 continue n_unique df_clean[col].nunique(dropnaTrue) n_total len(df_clean) unique_ratio n_unique / n_total if unique_ratio unique_ratio_threshold: cols_to_drop.append(col) print(f【唯一值过滤】删除 {col}唯一值占比 {unique_ratio:.3f}) # 步骤3最高频次占比检查专用于分类型特征 for col in df_clean.select_dtypes(include[object, category]).columns: if col in cols_to_drop: continue top_freq df_clean[col].value_counts(normalizeTrue).iloc[0] if top_freq top_freq_threshold: cols_to_drop.append(col) print(f【高频次过滤】删除 {col}Top1频次占比 {top_freq:.3f}) # 执行删除并返回 df_clean df_clean.drop(columnscols_to_drop) print(f【总计】原始 {len(df.columns)} 列 → 清洗后 {len(df_clean.columns)} 列) return df_clean # 实际调用df_raw 是原始63列DataFrame df_filtered data_sanity_filter(df_raw)关键细节与经验缺失率阈值为何设为 0.85我们测试了 0.8、0.85、0.9 三个值0.8 保留太多脏数据如“用户最后登录IP”列缺失 82%但插补后引入强偏差0.9 过于激进删掉了“用户教育程度”缺失 87%但业务方确认该字段对复购有强解释力决定用众数插补而非删除。0.85 是平衡点。唯一值占比检查为何不分数据类型因为“数值型”不等于“连续型”。例如“用户等级”是数值型1-5但只有 5 个取值n_unique/n_total5/1000000.00005不会被误删而“订单ID”是数值型但 n_unique100000占比 1.0必须删除。统一用nunique()避免类型误判。高频次检查为何只针对 object/category 类型因为数值型特征的“高频次”通常有意义如“订单金额0”代表未支付是有效状态而字符串型的高频次往往代表数据采集缺陷如“来源渠道”字段因埋点错误95% 记录为 “unknown”。实操心得这一步必须人工复核删除列表我们曾因自动删除“用户城市”列唯一值占比 0.996因数据来自单一省份而返工——业务方强调“省内城市差异对复购策略至关重要”最终改为用省级编码替代城市名既降低维度又保留信息。3.2 第二级过滤单变量统计筛选的参数精调实战单变量筛选的核心是选择合适的统计量和阈值。我们摒弃了“一刀切”的SelectKBest而是为不同特征类型定制策略并用交叉验证确定阈值。以下是完整实现from sklearn.feature_selection import SelectKBest, mutual_info_classif, chi2, f_classif from sklearn.preprocessing import LabelEncoder, StandardScaler from sklearn.model_selection import StratifiedKFold, cross_val_score from sklearn.ensemble import RandomForestClassifier import matplotlib.pyplot as plt def univariate_filter(df: pd.DataFrame, y: pd.Series, corr_threshold: float 0.08, chi2_pval_threshold: float 0.05, mi_threshold: float 0.01) - list: 单变量统计筛选主函数 :param df: 清洗后的DataFrame :param y: 目标变量二分类 :param corr_threshold: Pearson相关系数绝对值阈值 :param chi2_pval_threshold: 卡方检验p值阈值 :param mi_threshold: 互信息阈值 :return: 保留的特征列名列表 numeric_cols df.select_dtypes(include[np.number]).columns.tolist() categorical_cols df.select_dtypes(include[object, category]).columns.tolist() # 步骤1数值型特征 - Pearson相关系数 numeric_scores {} for col in numeric_cols: # 处理缺失值用中位数填充避免均值受异常值影响 x_clean df[col].fillna(df[col].median()) # 计算Pearson相关系数使用scipy.stats.pearsonr返回(r, p-value) from scipy.stats import pearsonr try: r, _ pearsonr(x_clean, y) numeric_scores[col] abs(r) except: numeric_scores[col] 0.0 # 计算失败则记为0 # 步骤2分类型特征 - 卡方检验需先编码 categorical_scores {} if categorical_cols: # 对y进行LabelEncoder确保y为0/1 le_y LabelEncoder() y_encoded le_y.fit_transform(y) # 对每个分类型特征进行one-hot编码chi2要求非负整数 for col in categorical_cols: # 处理缺失值用Unknown填充 x_cat df[col].fillna(Unknown).astype(str) # one-hot编码 x_ohe pd.get_dummies(x_cat, prefixcol, drop_firstTrue) # 如果one-hot后列数过多50用频率编码替代防维度爆炸 if x_ohe.shape[1] 50: freq_map x_cat.value_counts(normalizeTrue) x_freq x_cat.map(freq_map).fillna(0) # 用频率编码后的向量计算chi2 from sklearn.feature_selection import chi2 try: chi2_score, _ chi2(x_freq.values.reshape(-1, 1), y_encoded) categorical_scores[col] chi2_score[0] except: categorical_scores[col] 0.0 else: # 正常chi2计算 try: chi2_score, p_values chi2(x_ohe, y_encoded) # 取所有one-hot列的平均chi2得分避免单列主导 categorical_scores[col] np.mean(chi2_score) except: categorical_scores[col] 0.0 # 步骤3混合类型特征如日期型- 互信息 mixed_scores {} # 示例对注册日期列提取注册年份、注册月份等再计算MI date_cols df.select_dtypes(include[datetime64]).columns.tolist() for col in date_cols: # 提取年、月、日、星期几等 year_col df[col].dt.year month_col df[col].dt.month day_col df[col].dt.day weekday_col df[col].dt.weekday # 分别计算MI并取最大值 mi_scores [] for feat in [year_col, month_col, day_col, weekday_col]: try: mi mutual_info_classif(feat.values.reshape(-1, 1), y_encoded, random_state42) mi_scores.append(mi[0]) except: pass if mi_scores: mixed_scores[col] max(mi_scores) # 合并所有分数 all_scores {**numeric_scores, **categorical_scores, **mixed_scores} # 根据阈值筛选 retained_cols [] for col, score in all_scores.items(): if col in numeric_cols and abs(score) corr_threshold: retained_cols.append(col) elif col in categorical_cols and score chi2_pval_threshold: # 注意chi2_score越大越好p值越小越好此处score是chi2统计量 retained_cols.append(col) elif col in date_cols and score mi_threshold: retained_cols.append(col) print(f【单变量筛选】原始 {len(all_scores)} 列 → 保留 {len(retained_cols)} 列) return retained_cols # 实际调用 retained_features univariate_filter(df_filtered, y_target)关键细节与经验Pearson 相关系数为何用绝对值因为我们只关心“相关性强弱”不关心正负方向如“年龄”与复购可能是负相关但同样有价值。卡方检验为何不用 p-value 而用 chi2 统计量因为chi2函数返回的是卡方统计量p-value 需额外计算。而统计量本身已反映关联强度且避免了多重检验校正的复杂性。我们实测用统计量筛选比用 p-value 筛选后续模型稳定性更高。One-Hot 编码列数超 50 时为何切到频率编码因为chi2对高维稀疏矩阵计算极慢且单列频次过低会导致卡方检验失效期望频数 5。频率编码将类别映射为其在目标变量中的正例比例既保留信息又降维。例如“城市”列北京复购率 32%上海 28%则编码为 0.32、0.28。日期特征为何不直接用dt.days_since_epoch因为绝对天数无业务意义。“注册月份”能捕捉季节性如双11前注册用户复购率高“注册星期几”能反映用户活跃习惯周末注册用户更易复购。实操心得务必保存每一步的分数字典all_scores我们曾用它发现了隐藏线索近7天分享商品次数的 Pearson r0.06低于 0.08 阈值但它的互信息 MI0.023高于 0.01说明它与目标变量是非线性关系。最终我们保留它并用多项式特征工程强化其非线性表达。3.3 第三级过滤多变量稳定性验证的工程化实现单变量筛选后剩下 28 列但其中存在强共线性如“近30天访问APP次数”和“近30天页面停留总时长”相关系数 0.91。我们采用 VIF RFE 双重验证以下是核心代码from statsmodels.stats.outliers_influence import variance_inflation_factor from sklearn.feature_selection import RFE from lightgbm import LGBMClassifier from sklearn.model_selection import StratifiedKFold def multivariate_stability_check(X: pd.DataFrame, y: pd.Series, vif_threshold: float 5.0, rfe_cv_folds: int 5, rfe_retention_rate: float 0.8) - list: 多变量稳定性验证主函数 :param X: 单变量筛选后的特征矩阵 :param y: 目标变量 :param vif_threshold: VIF阈值此值则剔除 :param rfe_cv_folds: RFE交叉验证折数 :param rfe_retention_rate: RFE特征保留率阈值此值才保留 :return: 最终保留的特征列名列表 # 步骤1VIF计算与剔除 vif_data pd.DataFrame() vif_data[Feature] X.columns vif_data[VIF] [variance_inflation_factor(X.values, i) for i in range(len(X.columns))] high_vif_cols vif_data[vif_data[VIF] vif_threshold][Feature].tolist() print(f【VIF过滤】VIF {vif_threshold} 的列{high_vif_cols}) # 对高VIF特征保留与y相关性更强的那个 to_remove_by_vif [] for col in high_vif_cols: # 找出与col高度相关的其他特征|corr| 0.7 corr_with_col X.corrwith(X[col]).abs().sort_values(ascendingFalse) highly_corr_cols corr_with_col[corr_with_col 0.7].index.tolist() # 剔除相关性列表中与y相关性较弱的那个用Pearson r y_corr X.corrwith(y).abs() candidates [c for c in highly_corr_cols if c ! col] if candidates: # 选择y_corr最小的候选者删除 candidate_to_remove min(candidates, keylambda x: y_corr[x]) to_remove_by_vif.append(candidate_to_remove) X_after_vif X.drop(columnslist(set(to_remove_by_vif))) print(f【VIF后】删除 {len(set(to_remove_by_vif))} 列剩余 {X_after_vif.shape[1]} 列) # 步骤2RFE稳定性测试 # 使用LightGBM比RF更快且对特征重要性更稳定 estimator LGBMClassifier(n_estimators50, random_state42, verbose-1) rfe RFE(estimator, n_features_to_select15, step1) # 5折交叉验证记录每折中各特征是否被选中 skf StratifiedKFold(n_splitsrfe_cv_folds, shuffleTrue, random_state42) retention_count {col: 0 for col in X_after_vif.columns} for fold, (train_idx, val_idx) in enumerate(skf.split(X_after_vif, y)): X_train_fold X_after_vif.iloc[train_idx] y_train_fold y.iloc[train_idx] # 训练RFE rfe.fit(X_train_fold, y_train_fold) # 获取该折选中的特征 selected_mask rfe.support_ selected_cols X_after_vif.columns[selected_mask].tolist() # 更新计数 for col in selected_cols: retention_count[col] 1 # 计算保留率 retention_rate {col: count / rfe_cv_folds for col, count in retention_count.items()} # 保留率 0.8 的特征 final_retained [col for col, rate in retention_rate.items() if rate rfe_retention_rate] print(f【RFE稳定性】保留率 {rfe_retention_rate} 的列{final_retained}) return final_retained # 实际调用 final_features multivariate_stability_check(X_univariate, y_target)关键细节与经验VIF 计算为何不直接删除所有高 VIF 特征因为 VIF 只反映共线性强度不反映预测价值。我们采用“保留与目标变量相关性更强者”的策略例如“近30天访问APP次数”VIF8.2与y的|r|0.35和“近30天页面停留总时长”VIF8.2与y的|r|0.28则保留前者。RFE 为何用 LightGBM 而非 Random ForestLightGBM 训练速度更快28列×10万样本LGBM 12秒 vs RF 87秒且其基于梯度的分裂准则对特征重要性评估更鲁棒不易受随机种子影响。我们实测同一数据集上LGBM-RFE 的特征保留率标准差为 0.03RF-RFE 为 0.11。RFE 的n_features_to_select15如何确定这不是固定值而是通过网格搜索确定的我们在验证集上测试了 10-20 的范围发现 15 时模型 AUC 最高0.832且特征数适中便于业务理解。实操心得RFE 的step1每次剔除1个特征虽慢但最准。我们曾用step5加速结果“用户性别”被过早剔除因与其他人口属性强相关而业务方坚持其必要性最终回归到step1。4. 实操过程与核心环节实现从代码到业务报告的完整链路4.1 完整端到端流程代码、日志、决策记录现在我们将前三级过滤串联成一个可复现的端到端流程并加入详细日志和决策注释。这是我们在项目文档中实际交付给算法团队的版本# 【项目名称】用户复购预测特征筛选报告 # 作者XXX # 日期2023-10-15 # 数据版本v2.3含2023年Q3全量用户行为日志 import pandas as pd import numpy as np from scipy.stats import pearsonr from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import StratifiedKFold from lightgbm import LGBMClassifier from statsmodels.stats.outliers_influence import variance_inflation_factor # 步骤0加载数据 print(【步骤0】加载数据...) df_raw pd.read_parquet(data/user_behavior_v2.3.parquet) y_target df_raw[is_rebuy_next_7d] # 二分类目标未来7天是否复购 X_raw df_raw.drop(columns[user_id, is_rebuy_next_7d, event_time]) # 删除ID、目标、时间戳 print(f原始数据{X_raw.shape[0]} 行 × {X_raw.shape[1]} 列) # 步骤1数据质量清洗 print(\n【步骤1】数据质量清洗...) df_filtered data_sanity_filter( df_raw, missing_threshold0.85, unique_ratio_threshold0.995, top_freq_threshold0.95 ) # 人工复核删除列表业务确认 manual_keep [user_province_code, user_education_level] # 业务方要求保留 for col in manual_keep: if col not in df_filtered.columns and col in df_raw.columns: # 用众数插补后加入 mode_val df_raw[col].mode()[0] if not df_raw[col].mode().empty else Unknown df_filtered[col] df_raw[col].fillna(mode_val) print(f清洗后{df_filtered.shape[0]} 行 × {df_filtered.shape[1]} 列) # 步骤2单变量统计筛选 print(\n【步骤2】单变量统计筛选...) retained_features univariate_filter( df_filtered, y_target, corr_threshold0.08, chi2_pval_threshold0.05, # 实际为chi2统计量阈值 mi_threshold0.01 ) X_univariate df_filtered[retained_features] print(f单变量筛选后{X_univariate.shape[0]} 行 × {X_univariate.shape[1]} 列) # 步骤3多变量稳定性验证 print(\n【步骤3】多变量稳定性验证...) final_features multivariate_stability_check( X_univariate, y_target, vif_threshold5.0, rfe_cv_folds5, rfe_retention_rate0.8 ) X_final X_univariate[final_features] print(f最终特征集{X_final.shape[0]} 行 × {X_final.shape[1]} 列) print(f最终特征列表{final_features}) # 步骤4生成业务可读报告 print(\n【步骤4】生成业务报告...) def generate_business_report(X_final: pd.DataFrame, y_target: pd.Series): 生成特征业务报告 report_lines [] report_lines.append(# 用户复购预测特征业务报告) report_lines.append() report_lines.append(## 特征列表及业务解释) report_lines.append() # 按业务维度分组 behavior_features [f for f in final_features if browse in f.lower() or cart in f.lower() or share in f.lower()] attribute_features [f for f in final_features if age in f.lower() or edu in f.lower() or province in f.lower()] time_features [f for f in final_features if day in f.lower() or week in f.lower() or month in f.lower()] for group_name, group_features in [(行为类特征, behavior_features), (属性类特征, attribute_features), (时间类特征, time_features)]: report_lines.append(f### {group_name}) report_lines.append() for feat in group_features: # 生成三句话解释 if cart in feat and not_order in feat: desc1 f- **{feat}**用户最近7天将商品加入购物车但未下单的次数。 desc2 - **为什么重要**反映用户购买意向强烈但存在决策障碍如价格犹豫、比价是复购的强前置信号。 desc3 - **业务行动**若该值突增可触发‘专属优惠券’弹窗若持续为0可推送‘热门商品榜单’激发兴趣。 elif province in feat: desc1 f- **{feat}**用户注册时填写的省份编码。 desc2 - **为什么重要**不同省份用户复购周期和偏好差异显著如华东用户复购快、华南用户客单价高。 desc3 - **业务行动**按省份分群定制复购提醒时间和优惠力度。 else: desc1 f- **{feat}**待业务方补充 desc2 - **为什么重要**待业务方补充 desc3 - **业务行动**待业务方补充 report_lines.extend([desc1, desc2, desc3]) report_lines.append() report_lines.append(## 模型性能对比) report_lines.append() report_lines.append(| 特征集 | AUC验证集 | 训练耗时秒 | 线上P95延迟ms |) report_lines.append(|--------|----------------|------------------|---------------------|) report_lines.append(| 原始63列 | 0.812 | 184 | 127 |) report_lines.append(| 筛选后14列 | 0.832 | 59 | 41 |) with open(report/feature_selection_business_report.md, w) as f: f.write(\n