Python实现优惠券构造特征：从基础到进阶的完整指南

在电商、O2O等业务场景中，优惠券是提升用户转化率的核心工具之一。如何通过Python高效构造优惠券特征，直接影响营销策略的精准度和效果。本文将从基础特征提取到高级组合特征，系统讲解优惠券特征的构造方法，并提供可复用的代码示例。

一、优惠券基础特征构造

1.1 基础属性提取

优惠券的基础属性是特征工程的起点，包括面额、有效期、使用门槛等。以下是一个基础属性提取的示例：

import pandas as pd
def extract_coupon_base_features(df):
    """
    提取优惠券基础特征
    :param df: 包含优惠券信息的DataFrame
    :return: 添加了基础特征的DataFrame
    """
    # 面额特征
    df['discount_type'] = df['discount_amount'].apply(
        lambda x: 'fixed' if isinstance(x, (int, float)) else 'percentage'
    )
    # 有效期特征
    df['valid_days'] = (df['expire_date'] - df['issue_date']).dt.days
    df['is_short_term'] = df['valid_days'] <= 7  # 短期优惠券标记
    # 使用门槛特征
    df['threshold_type'] = df['min_spend'].apply(
        lambda x: 'low' if x < 50 else 'medium' if x < 200 else 'high'
    )
    return df

关键点：

• 面额类型（定额/百分比）直接影响用户感知
• 有效期长度影响用户决策紧迫感
• 使用门槛高低与用户群体匹配度强相关

1.2 时间维度特征

时间特征是优惠券效果分析的重要维度，包括发放时间、使用时间等：

def extract_time_features(df):
    """
    提取时间维度特征
    """
    # 发放时间特征
    df['issue_hour'] = df['issue_date'].dt.hour
    df['issue_weekday'] = df['issue_date'].dt.weekday
    df['is_weekend_issue'] = df['issue_weekday'].isin([5, 6])
    # 使用时间特征（如果已使用）
    if 'use_date' in df.columns:
        df['time_to_expire'] = (df['expire_date'] - df['use_date']).dt.days
        df['is_last_minute'] = df['time_to_expire'] <= 1
    return df

应用场景：

• 工作日/周末发放效果对比
• 临期使用行为分析
• 不同时段发放的转化率差异

二、用户行为关联特征

2.1 用户-优惠券匹配特征

构建用户与优惠券的匹配度特征是提升精准营销的关键：

def build_user_coupon_match_features(user_df, coupon_df):
    """
    构建用户-优惠券匹配特征
    :param user_df: 用户特征DataFrame
    :param coupon_df: 优惠券特征DataFrame
    :return: 合并后的特征DataFrame
    """
    # 用户消费能力匹配
    merged = pd.merge(user_df, coupon_df, on='user_id')
    merged['spend_match_score'] = merged.apply(
        lambda x: 1 if x['avg_spend'] >= x['min_spend'] else 
                 0.5 if x['avg_spend'] >= x['min_spend']*0.7 else 0,
        axis=1
    )
    # 品类偏好匹配
    # 假设有用户品类偏好和优惠券品类信息
    if 'preferred_category' in user_df.columns and 'category' in coupon_df.columns:
        merged['category_match'] = merged['preferred_category'] == merged['category']
    return merged

优化方向：

• 基于用户历史消费构建更精细的匹配模型
• 考虑用户对不同折扣形式的敏感度

2.2 用户生命周期特征

结合用户生命周期阶段构造特征：

def extract_user_lifecycle_features(df):
    """
    提取用户生命周期特征
    """
    # 新老用户标记
    df['is_new_user'] = df['user_days_since_first'] <= 30
    # 活跃度特征
    df['active_level'] = pd.qcut(
        df['30d_order_count'], 
        q=3, 
        labels=['low', 'medium', 'high']
    )
    return df

三、高级特征构造技巧

3.1 组合特征工程

通过特征交叉创造更有价值的组合特征：

def create_combined_features(df):
    """
    创建组合特征
    """
    # 折扣力度与门槛的组合
    df['discount_threshold_ratio'] = df['discount_amount'] / df['min_spend']
    # 时间与折扣的组合
    if 'issue_weekday' in df.columns:
        df['weekend_high_discount'] = (
            df['is_weekend_issue'] & 
            (df['discount_amount'] > df['discount_amount'].median())
        )
    return df

3.2 特征编码技巧

对分类特征进行优化编码：

from sklearn.preprocessing import OrdinalEncoder
def encode_categorical_features(df):
    """
    分类特征编码
    """
    # 优惠券类型有序编码
    coupon_type_order = ['new_user', 'regular', 'vip', 'recovery']
    encoder = OrdinalEncoder(categories=[coupon_type_order])
    df['coupon_type_encoded'] = encoder.fit_transform(
        df[['coupon_type']]
    )
    return df

四、特征质量评估

构造特征后需要进行质量评估：

def evaluate_feature_quality(df, target_col):
    """
    评估特征质量
    :param df: 包含特征和目标变量的DataFrame
    :param target_col: 目标变量列名
    :return: 特征重要性排序
    """
    from sklearn.feature_selection import mutual_info_classif
    # 分离特征和目标
    X = df.drop(columns=[target_col, 'user_id', 'coupon_id'])
    y = df[target_col]
    # 计算互信息
    mi_scores = mutual_info_classif(X, y, discrete_features=X.dtypes == object)
    feature_importance = pd.DataFrame({
        'feature': X.columns,
        'mi_score': mi_scores
    }).sort_values('mi_score', ascending=False)
    return feature_importance

五、完整实现示例

以下是一个完整的优惠券特征构造流程：

import pandas as pd
from datetime import datetime, timedelta
# 模拟数据生成
def generate_sample_data(n=1000):
    """
    生成模拟优惠券数据
    """
    users = pd.DataFrame({
        'user_id': range(n),
        'avg_spend': [round(x, 2) for x in np.random.normal(150, 50, n)],
        'preferred_category': np.random.choice(['electronics', 'clothing', 'food'], n),
        'user_days_since_first': np.random.randint(1, 365, n)
    })
    coupons = pd.DataFrame({
        'coupon_id': range(n),
        'discount_amount': np.random.choice([10, 20, 30, 50, '10%'], n),
        'min_spend': np.random.choice([50, 100, 200, 300], n),
        'issue_date': [datetime.now() - timedelta(days=x) 
                      for x in np.random.randint(0, 30, n)],
        'expire_date': [datetime.now() + timedelta(days=x) 
                       for x in np.random.randint(1, 30, n)],
        'category': np.random.choice(['electronics', 'clothing', 'food'], n)
    })
    # 模拟使用情况
    coupons['is_used'] = np.random.choice([True, False], n, p=[0.6, 0.4])
    return users, coupons
# 完整特征构造流程
def build_coupon_features():
    users, coupons = generate_sample_data()
    # 基础特征
    coupons = extract_coupon_base_features(coupons)
    coupons = extract_time_features(coupons)
    # 用户关联特征
    merged = build_user_coupon_match_features(users, coupons)
    # 高级特征
    merged = create_combined_features(merged)
    # 评估特征
    if 'is_used' in merged.columns:
        feature_importance = evaluate_feature_quality(merged, 'is_used')
        print("特征重要性排序:")
        print(feature_importance.head(10))
    return merged
# 执行
if __name__ == "__main__":
    import numpy as np
    np.random.seed(42)
    features_df = build_coupon_features()

六、实践建议

1. 特征迭代：建立AB测试机制，持续验证特征效果
2. 实时特征：对于时效性强的优惠券，考虑构建实时特征管道
3. 特征监控：监控特征分布变化，及时处理数据漂移
4. 可解释性：重要特征需具备业务可解释性，便于策略调整

通过系统化的优惠券特征构造，企业可以更精准地预测优惠券效果，优化发放策略，最终提升营销ROI。Python的强大生态为这一过程提供了高效工具链，从数据处理到机器学习建模都能无缝衔接。