告别低效清洗：AI一键生成金融风控模型高阶特征工程代码
提示词描述：
适用场景：信贷风控、反欺诈等机器学习模型的预处理阶段。目标用户：风控算法工程师、数据科学家。使用技巧：在占位符中明确业务逻辑，AI能生成更贴合实际业务规则的特征衍生代码，显著减少手动调参时间。
提示语关键词：
AI代码生成, 风控特征工程, Python数据处理, 机器学习代码模板, 金融风控模型开发, 数据清洗代码
提示词内容：
假设你是一位拥有十年经验的金融风控算法专家。我需要你为{填写业务场景，如信用卡违约预测}构建特征工程代码。输入数据集包含{填写数据维度，如用户画像、交易流水、征信记录}等字段。
请对比WOE（Weight of Evidence）编码与Target Encoding在处理高基数类别变量时的优劣，并选择最适合当前场景的方案。代码实现需包含以下核心步骤：1. 缺失值与异常值处理，采用基于业务逻辑的{填写处理策略，如中位数填充或孤立森林检测}。2. 时间序列特征衍生，如计算过去30天、90天的交易金额滑动窗口统计量。3. 类别变量编码及连续变量分箱。4. 特征重要性评估与多重共线性检验（VIF）。
请提供完整的Pandas与Scikit-learn代码，并在代码块后附带对特征选择阈值的深度解析，以及针对数据不平衡问题的SMOTE过采样实现方案。