P3-6.5 当特征的单位和尺度不同的时候，应该怎样一起读取和保留¶

Section ID: P3-6.5 Version: v2026.09.20

做出几个特征(feature)之后，很容易又重新陷入一种混乱。值大的那一列是不是更重要？ 秒和压力单位，可以放在同一张表里吗？ 平均值 200 的列和 0.2 的列，能不能就这样并排比较？ 这里首先需要的，不是去看数字大小，而是先建立一种感觉：要区分单位(unit)、范围(range)、变化幅度、以及相对基准线(baseline)的变化。

“它们出现在同一张表里”这件事，和“它们应该用同一种大小标准去读”这个判断，并不是同一句话。特征可以有不同的单位、范围和变动宽度；如果不知道这一点，只看数值大小，就很容易把结构读错。

例如，假设在一次自动动作的汇总表里，同时出现了下面这些列。

这四个值虽然都是数字，但它们并不在描述同一种大小。

• duration_seconds 是时间长度。
• pressure_mean 是压力水平。
• flow_std 是波动幅度。
• late_drop_rate 是变化方向和速度。

所以，不能只因为它们都叫“数字”，就读成 101.2 比 48 更重要 这样的比较。

为什么需要这个区分¶

在特征设计阶段，这种感觉至少因为下面三点而必要。

这并不是说现在就要进入模型计算用的归一化公式。Part 3 在这里的目的，是先建立这样一种感觉：重要的不是这个数大不大，而是它到底在测什么。

放在同一张表里，不等于用同一种方式去读¶

在同一张样本表里，当然可以放多个特征。但每一列的阅读方式，仍然可以不同。

也就是说，比较不是在 数字和数字之间，而是在 承担同样角色的同一列之间。不是直接拿 duration_seconds 和 pressure_mean 互相比大小，而是应该拿 这次的 duration_seconds 去和“平时的 duration_seconds”比，再拿 这次的 pressure_mean 去和“平时的 pressure_mean”比。

常见误解¶

例如，flow_std = 0.18 只看数字时可能显得很小，但如果平时值是 0.03，那它实际上可能代表了很大的波动增加。相反，pressure_mean = 101.2 只看数字似乎很大，但如果平时值是 101.0，它的相对变化就可能很小。

所以应该先写下什么¶

在 Part 3 阶段，如果能在每一列特征旁边简短写下下面三样东西，就会安全很多。

下表假定压力单位为 kPa，流量单位为 L/min。标准差与原始值使用相同单位；每秒的斜率则使用原始值的单位除以秒。

例如，可以这样写。

有了这张表，这是什么数字 和 该怎样读它 就能同时被固定下来。

小型检查表¶

这一节与其用 Python 输出固定的两行，不如先用表固定“应该沿着什么轴读取数值列”。例如，先看下面这张工作表。

只看绝对值时，pressure_mean 会显得最大。但如果按相对基准线的变化来读，就会出现另一幅图。

这张表里重要的，不是数字绝对值大小，而是每一列承担的角色，以及同一列内部相对基准线的变化。只看第一张表时，101.2 可能显得很大，而 0.18 可能显得很小；但一旦按相对基准线的变化来读，flow_std_delta=0.15 反而可能表示波动大幅增加，而 pressure_delta=0.2 可能只是一个很小的水平差异。

所以，真正应该先读的不是 谁的数字更大，而是 怎样比较承担同一角色的同一列。

所以 Part 3 的责任，至少要做到下面这三点。

1. 知道同一张表里可以并排放着含义不同的数字。
2. 能写出每个特征到底是在表示水平、变化、波动性，还是持续时间。
3. 知道比起数字大小本身，同一列相对基准线的变化 可能更重要。

因为特征表里的数字并不都在表达同一种大小，所以应先写清单位和角色，再通过同一列相对基准线的变化去读取。这一节与其说是在介绍缩放公式，不如说更接近于：在一张工作表里，应该如何按角色读取不同测量尺度的数字。

同样的问题也会出现在模型输入里。下面的例子使用同一个 k-NN 模型，但比较两种读法：不做尺度调整直接读取，以及用 StandardScaler 把各列调整到可比较尺度后再读取。

问题场景：想确认当单位和范围不同的特征被直接放进 k-NN 时，数值范围大的列可能会更强地牵动邻居判断。

输入(input)：包含持续时间、压力变化、流量波动变化的小型特征表，以及一个要确认的新样本。

期望输出(output)：尺度调整前后的最近 event_id 和预测值。

要确认的概念：即使特征在同一张表里，当模型用距离来比较它们时，是否做尺度调整也可能改变邻居和预测。

单位换算与标准化是不同工作¶

A 的流量标准差差值为 0.18−0.03=0.15 L/min。若观测范围和计算规则一致，表示离散程度比基准增加了 0.15 L/min。它与压力差 0.2 kPa 的单位不同，不能按数字大小判断哪个更重要。运行上的意义还需要容许范围、测量误差等信息。这里假设 flow_std 是动作内原始流量观测的标准差，而非区间均值的标准差。

把 48 秒写成 0.8 分钟，是同一物理量的单位换算。标准化则使用训练资料的统计量改变数值尺度：z=(值−训练均值)/训练标准差。z 没有单位，但不同特征的物理意义与重要性并不会因此相同。

尺度改变会改变最近的案例¶

以下代码使用另行设计的四个虚构训练记录，与前面的比较表不同。即使仍使用 A、B，也不是同一记录。review_needed 的 0、1 是示例标签，新样本没有提供正确标签。1-NN 在三个特征上找距离最近的一个训练案例，并用它的标签作为预测。距离按各列差值平方求和后开平方根计算。

在原始尺度中，新样本与 A 的差为 (0 秒, 0.05 kPa, 0.12 L/min)。模型忽略单位只算数字，得到 sqrt(0²+0.05²+0.12²)=0.13。与 B 的差为 (−4 秒, −0.05 kPa, −0.01 L/min)，距离约为 4.0003。此处混合了不同物理单位，不能解释为物理距离。

训练持续时间 44、48、43、49 秒的均值为 46 秒，标准差约为 2.5495 秒。StandardScaler 使用离差平方和除以训练数量 4 的计算规则。新样本 44 秒变为 (44−46)/2.5495≈−0.7845，B 的 48 秒约为 0.7845。这是把新样本放到已有训练尺度上，而非用新样本另建尺度。

标准化后的距离是在无单位坐标中计算的。最近事件从 A 变为 B，因此预测从 0 变为 1。没有正确标签，不能据此说性能提高了。 运行代码后，只把查询样本的 flow_std_delta 从 0.14 改成 0.02。此时两种方式都选择 A，预测为 0。在安装了 pandas 与 scikit-learn 的 Python 环境中运行。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

# 这个例子用来确认距离模型会怎样读取单位和范围不同的特征。
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

features = pd.DataFrame(
    [
        {"event_id": "A", "duration_seconds": 44, "pressure_delta": 0.10, "flow_std_delta": 0.02, "review_needed": 0},
        {"event_id": "B", "duration_seconds": 48, "pressure_delta": 0.20, "flow_std_delta": 0.15, "review_needed": 1},
        {"event_id": "C", "duration_seconds": 43, "pressure_delta": -0.10, "flow_std_delta": 0.01, "review_needed": 0},
        {"event_id": "D", "duration_seconds": 49, "pressure_delta": 0.00, "flow_std_delta": 0.16, "review_needed": 1},
    ]
)
query = pd.DataFrame(
    [{"duration_seconds": 44, "pressure_delta": 0.15, "flow_std_delta": 0.14}]
)
columns = ["duration_seconds", "pressure_delta", "flow_std_delta"]

plain = KNeighborsClassifier(n_neighbors=1).fit(features[columns], features["review_needed"])
scaled = make_pipeline(StandardScaler(), KNeighborsClassifier(n_neighbors=1))
scaled.fit(features[columns], features["review_needed"])

plain_neighbor = plain.kneighbors(query, return_distance=False)[0][0]
scaled_query = scaled.named_steps["standardscaler"].transform(query)
scaled_neighbor = scaled.named_steps["kneighborsclassifier"].kneighbors(
    scaled_query, return_distance=False
)[0][0]

print("without scaling nearest_event:", features.iloc[plain_neighbor]["event_id"])
print("without scaling prediction:", int(plain.predict(query)[0]))
print("with scaling nearest_event:", features.iloc[scaled_neighbor]["event_id"])
print("with scaling prediction:", int(scaled.predict(query)[0]))

期望输出：

1
2
3
4

without scaling nearest_event: A
without scaling prediction: 0
with scaling nearest_event: B
with scaling prediction: 1

尺度调整前，因为 A 的 duration_seconds=44 与查询样本相同，所以它会被选成最近案例。但把压力变化和流量波动变化也调整到可比较尺度后，B 会变成更近的案例。这个输出不是在说 数值更大的列更重要，而是在说明：在距离模型里，范围更大的列可能支配计算。所以即使还没有细学模型公式，Part 3 也应该先写下每个特征的单位、范围和比较方式。

本例的标准化使用训练集的均值和标准差改变每一列的刻度。它既不能证明所有特征同样重要，也不保证预测效果提高。对新样本应直接应用训练集上确定的同一变换，而不是把新样本混入后重新计算均值和标准差。

因此，特征表不该被理解成“数值大小竞赛表”，而应理解成一种结构：不同测量轴被并排放在一起，并按照各自角色来读取。

确认单位与尺度后比较特征¶

这一节抓住的是：即使不同单位、不同尺度的值放在同一张表里，也应该按列角色去读，并和该列自己的基准线比较。比起数值大小，首先要问的是 这列到底在测什么。

flowchart TD
    A[单位与尺度不同]
    B[按列角色来读]
    C[和该列基准线比较]
    D[不要直接跨角色比数值大小]

    A --> B --> C --> D

检查清单¶

• 你是否写明了每个特征的物理单位和计算分母？
• 你能否解释为什么标准化参数必须只从训练数据计算？

来源与参考资料¶

• Google for Developers, Machine Learning Glossary 中的 feature。它把 feature 解释为用于预测的输入变量，因此支持这样一点：比起数字本身大不大，更重要的是它作为输入变量到底在测什么。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20
• Google for Developers, Machine Learning Glossary 中的 feature engineering。它解释了把原始数据改造成更适合学习的形式，因此强化了这一节的说明：持续时间、水平、波动性、变化率这样承担不同角色的特征，应当分开读取。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20

• U.S. Bureau of Labor Statistics, Base period. 它提供了一个一般概念：比较之所以成立，是因为把同一个项目与参考点并排放在一起。因此，它可以支持这里的说明：与其直接把不同特征互相比大小，不如把每一列读成相对基准线的变化。 https://www.bls.gov/bls/glossary.htm / 确认日期: 2026-07-20

• scikit-learn Common pitfalls。用于确认仅从训练数据估计预处理参数的原则。确认日期：2026-09-15。

• scikit-learn StandardScaler. 参考以训练均值和标准差确定变换、对新资料使用同一变换，以及标准差计算规则。 / 2026-09-20