P3-6.6 相同列名与不同特征¶
Section ID:
P3-6.6Version:v2026.09.20
副标题: 当测量方式或单位改变时，为什么同名列也可能变成不同特征？
在设计特征(feature)时，还有一个很容易被忽略的陷阱。那就是一想到 列名一样，那应该就是同一个特征吧。但在真实数据里，即使都叫 flow_mean，也可能是传感器版本变了、单位变了，或者计算规则变了。只要发生这种变化，数字虽然还在那里，也很难再说它还是同一个特征。
一个特征是不是“同一个特征”，不能只看列名，而应该连同 它到底测了什么量、按什么规则、用什么单位做出来 一起判断。
什么情况下，同样的列名并不代表同一个特征¶
如果只因为列名相同就直接当作同一个特征继续用，那么即使特征的意义已经变了，也很容易被直接放上同一张比较表和同一条基准线。
| 表面上看到的状态 | Part 3 应该先问的问题 |
|---|---|
| 列名没变 | 计算规则和单位也没变吗？ |
| 数值分布突然变了 | 是真实变化，还是测量方式变了？ |
| 维护之后数值变了 | 是工艺状态变化，还是传感器定义变化？ |
所以，仅仅因为特征名相同，并不能说明相同的比较结构依然成立。
只要什么变了，就可能不再是同一个特征¶
即使列名相同，只要下面这些内容里有一个发生变化，Part 3 就应该先重新问：它还是同一个特征吗？
| 发生变化的东西 | 为什么重要 |
|---|---|
| 测量单位 | 因为数值之间的比较本身就变了 |
| 传感器位置或传感器版本 | 因为同一个名字也可能开始更接近另一种物理量 |
| 区间计算规则 | 因为即使同样写成平均值，也可能是在不同区间上求出来的 |
| 运行定义 | 因为即使叫同一个 正常范围，背后的标准也可能已经变了 |
这四种变化，都不是首先属于模型技巧问题，而是属于 现在保留下来的这个特征，到底是什么意思 的问题。
从列名转向测量定义的比较¶
| event_id | flow_mean | flow_unit | sensor_version | segment_rule | ops_definition |
|---|---|---|---|---|---|
| A | 2.4 | L/min | v1 | early-mid-late | normal-band-v1 |
| B | 2.5 | L/min | v1 | early-mid-late | normal-band-v1 |
| C | 41.0 | mL/s | v2 | early-mid-late | normal-band-v1 |
| D | 39.5 | mL/s | v2 | quartile-4bin | normal-band-v2 |
如果看这张表，所有行都叫 flow_mean，但实际上已经同时发生了不止一种变化。
A、B和C、D的单位不同。C、D的传感器版本也不同。D的区间计算规则也不同。D的运行定义也不同，因此很难立刻挂到同一条基准线说明里。
所以，如果把这四行当作同一列“没变的特征”来读，那么在谈数字是否相近之前，特征含义本身就已经晃了。也正因为如此，这里最先应该抓住的结论很简单：相同列名 并不保证 相同特征定义。
flowchart TD
A["保留原值、单位与定义备注"] --> B["换算不同单位并记录公式"]
B --> C{"测量对象、校准与汇总范围是否对应？"}
C -->|已确认| D["可比较同一物理量的候选"]
C -->|未知或不一致| E["检查补充记录、校准或重新汇总"]
D --> F["另外比较运行判定版本"]
如果只有单位不同，可以通过换算恢复可比性。由于 41 mL/s = 41×60/1000 = 2.46 L/min，C 的值并不是 A 的约 17 倍。但这并不说明传感器位置、校准和计算区间也相同，因此统一单位后仍要确认这些条件。如果改变的只是运行判定规则，也可能是原始物理特征不变，而输出标签的含义发生了变化。
区分字符串一致与物理可比性¶
前面四行是虚构资料。A、B 的备注相同，也不代表传感器位置、校准历史和缺失处理已经核实。early-mid-late 这个名称也不能完整说明平均了哪些观测、如何计算。备注一致只是把候选记录集中起来检查，并非可比性认证。
| 已检查的层次 | 本例能够确认的内容 | 仍需检查的内容 |
|---|---|---|
| 所选定义字符串一致 | A、B 已记录的字段相同 | 未记录的位置、校准与平均规则 |
| 单位换算完成 | C=2.46、D=2.37 L/min | v1/v2 传感器的测量对象与校准对应关系 |
| 发现区间定义差异 | D 使用不同规则名称 quartile-4bin | 能否用原始资料按相同范围重新汇总 |
| 发现运行判定版本差异 | D 使用 normal-band-v2 | 测量改变了，还是只改变判定边界 |
D 也可换算为 39.5×60/1000=2.37 L/min。它与 A 的 2.4 接近，并不能证明测量定义相同。只有确认差异仅为单位，测量对象、位置、校准与汇总规则一致时，统一单位才能恢复数值比较。传感器改变需要对应测量或校准记录；区间改变需要精确边界及重新汇总的可行性检查。
将运行判定与测量定义分开记录¶
假设物理测量规则不变，只把判定标准从“至少 2.50 L/min”改为“至少 2.40 L/min”。测量值 2.46 L/min 不变，但判定从低于标准变成达到标准。这是判定规则改变，不是测量改变。上表未提供 normal-band-v1/v2 的实际边界，因此这些数字不代表那两个版本的真实定义。
| 记录类别 | 应保留的项目示例 |
|---|---|
| 测量与汇总定义 | 物理量、传感器位置和版本、校准历史、区间边界、平均方法、缺失处理 |
| 单位换算 | 原始值与单位、换算公式、换算后的值与单位 |
| 运行判定 | 判定规则版本、生效时点、结果标签 |
C 应同时保留原始 41.0 mL/s、公式 ×60/1000 与换算后的 2.46 L/min。只把单位标签改成 L/min、数值却仍为 41.0，会产生错误资料。把传感器版本字符串改为 v1，也不等于进行了校准。
减少字段合并分组并不会统一定义¶
只按名称分组时，A、B、C、D 属于同一组。比较单位、传感器版本、区间规则与运行判定字符串时，得到 A,B / C / D 三组。去掉运行判定字段，D 的区间规则仍然不同，所以还是三组。再去掉区间规则，就只剩 A,B / C,D 两组。
C、D 已归为一组，就可以放进同一个基准了吗？仍然不可以直接确定。只是隐藏了区间字段，实际汇总规则并未改变。反过来，如果有证据确认只有判定规则改变、测量定义相同，就可以把物理特征比较与结果标签比较分开处理。
请列出比较 C 与 A 所需的补充资料。单位换算不够，还需要传感器位置、校准、实际区间和平均规则的对应关系。若纳入 D，还要检查 quartile-4bin 与 early-mid-late 是否代表相同测量范围。若没有原始资料且无法协调定义，就应暂缓比较或保留为独立群体。
检查清单¶
- 能否将 C、D 换算为 L/min，并保留原值和单位？
- 能否区分备注字符串一致与实际可比性？
- 能否区分仅判定改变与测量、汇总改变？
- 能否解释分组减少为何不能代替校准或重新汇总？
来源与参考资料¶
- W3C,
PROV-Overview. 它提供了一个一般框架：通过 provenance information 追踪数据是经过什么过程、什么版本生成的，因此强化了这一点：为了保持可比性，特征除了名称，还应保留生成规则和版本。 https://www.w3.org/TR/prov-overview/ / 确认日期: 2026-07-20 - Google for Developers,
Machine Learning Glossary中的feature engineering。它说明特征不是未经处理的原始值，而是经过选择性变换的结果，因此支持这一节的核心：只要单位或计算规则变了，即使列名一样，也很难再说它还是同一个特征定义。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20