特征版本控制需锁定数据快照、代码逻辑、依赖参数、列结构四要素：硬编码feature_version、嵌入路径、禁用时间戳；封装transformer并固化pipeline；外部数据带as_of_date锚点并落地静态文件；用onehotencoder替代get_dummies并固化categories。
特征工程代码没版本号，改完就跑不回退
特征工程脚本一旦被修改，旧模型复现就会失败——这不是“代码没注释”的问题，而是缺少显式版本标识。你不能靠 git commit hash 当特征版本，因为同一份代码在不同数据上产出的特征可能不同。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在特征生成函数里硬编码
FEATURE_VERSION变量，比如FEATURE_VERSION = "v2.1.0"，所有下游模型训练必须显式读取并记录这个值 - 把版本号嵌入特征保存路径，例如
"features/train_v2.1.0.parquet"，而不是"features/train.parquet" - 避免用时间戳（如
"v20240521"）当版本号：它不表达语义变更，且并发训练时易冲突
sklearn Pipeline 里 fit_transform 和 transform 混用导致特征不一致
你在训练时对数值列用 StandardScaler().fit_transform()，预测时却直接用 scaler.transform() ——这本身没错，但若 Pipeline 没固化、或中间步骤被重写（比如加了新列），transform() 就会悄悄改变行为。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 所有特征处理逻辑必须封装进自定义
transformer类，并在__init__中声明version属性，和外部FEATURE_VERSION对齐 - 训练完立刻用
joblib.dump(pipeline, f"pipeline_{FEATURE_VERSION}.pkl")保存完整 pipeline，别只存transformer或model - 禁止在 pipeline 外部手动调用
fit_transform；统一走pipeline.fit(X_train)+pipeline.transform(X_test)
特征依赖外部数据源（如数据库、API）时版本失控
你的 get_user_features() 函数每次运行都查最新用户标签，但昨天训练的模型用的是上周的标签快照——模型上线后效果漂移，根本没法归因是模型还是特征变了。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 所有外部依赖必须带明确时间锚点，比如
as_of_date="2024-05-20"参数，且该参数要参与FEATURE_VERSION计算（如v2.1.0_20240520） - 查询结果必须落地为静态文件（
user_features_20240520.parquet），特征脚本只读这个文件，不直连数据库 - CI 流程中加入校验：若检测到
as_of_date超过 7 天未更新，中断构建并报错"External feature snapshot stale"
特征名动态生成（如 one-hot 后缀）导致下游列顺序错乱
pd.get_dummies(df, columns=["city"]) 在不同批次数据上生成的列名顺序可能不同，模型加载时 X.shape[1] 对不上，直接报 ValueError: X has 123 features, but StandardScaler is expecting 125 features。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 永远不用
pd.get_dummies，改用sklearn.preprocessing.OneHotEncoder(drop="first", sparse_output=False, handle_unknown="ignore")，它能保证输出列名和顺序稳定 - 对所有类别型字段，提前固化
categories_到配置文件（如categories/city.json），训练前强制加载，避免 encoder 自动 infer - 特征生成后立刻执行
assert list(X.columns) == EXPECTED_FEATURE_NAMES，断言失败即终止，不留给下游擦屁股
特征版本控制最难的不是记版本号，而是让“特征”这个概念本身可锁定：数据快照、代码逻辑、依赖参数、列结构，四者缺一不可。漏掉任意一个，所谓版本就是假象。