深入浅出特征工程 -- 基于 OpenMLDB 的实践指南（下）

1. 准备知识

在上期系列文章中（深入浅出特征工程 – 基于 OpenMLDB 的实践指南（上）），我们介绍了特征工程的基础概念、实践工具，以及基本的基于单表的特征脚本开发。在本篇文章中，我们将基于主表和副表，去展开详细介绍更加复杂和强大的基于多表的特征脚本开发。同时，我们依然依托 OpenMLDB 所提供的 SQL 语法进行特征工程脚本示例，关于 OpenMLDB 的更多信息可以访问我们的 GitHub repo，以及文档网站。
OpenMLDB GitHub repo
OpenMLDB 文档 · 看云

如果你想运行本篇教程所举例的 SQL，请按照以下两个步骤做准备：

• 推荐使用 OpenMLDB docker 镜像在单机版下运行本教程，运行方式参考 OpenMLDB 快速上手。如果使用集群版，请使用离线模式（SET @@execute_mode=‘offline’ ）。集群版普通线上模式仅支持简单的数据预览功能，因此无法运行教程中大部分的 SQL。
• 本教程相关的所有数据以及导入操作脚本可以在这里下载。

在本篇文章中，我们将会使用到主表和副表，进行举例说明。我们依然使用上篇的反欺诈交易的样例数据，包含一张主表用户交易表（表一 t1）和一张副表商户流水表（表二 t2）。需要多表特征工程的背景，是在关系数据库设计中，为了避免数据冗余和一致性，一般都会按照一定的设计原则（数据库设计范式），把数据存入多个数据表中。在特征工程中，为了获得足够的有效信息，需要在多个表中取出数据，因此需要基于多表进行特征工程。

表一：主表，用户交易表 t1

Field	Type	Description
id	BIGINT	样本ID,每一条样本拥有唯一ID
uid	STRING	用户ID
mid	STRING	商户ID
cardno	STRING	卡号
trans_time	TIMESTAMP	交易时间
trans_amt	DOUBLE	交易金额
trans_type	STRING	交易类型
province	STRING	省份
city	STRING	城市
label	BOOL	样本label, true

副表：表二，商户流水表 t2

Field	Type	Description
mid	STRING	商户ID
card	STRING	卡号
purchase_time	TIMESTAMP	消费时间
purchase_amt	DOUBLE	消费金额
purchase_type	STRING	消费类型：现金、信用卡

在传统关系数据库中，为了取得多表的信息，最常用的方式是使用 join 进行拼接。但是对于特征工程的需求来说，数据库的 join 并不能非常高效的满足需求。最主要的原因是我们的主表样本表有一个用于模型训练的 label 列，其每一个值只能对应一行数据记录。所以实际中我们希望在 join 以后，结果表格的行数需要和主表的行数保持一致。

2. 副表单行特征

2.1 LAST JOIN

OpenMLDB 目前支持LAST JOIN来进行类似数据库的 join 操作。LAST JOIN 可以看作一种特殊的 LEFT JOIN。在满足 JOIN 条件的前提下，左表的每一行拼取一条符合条件的最后一行。LAST JOIN分为无序拼接，和有序拼接。我们用更简单的表为例，假设表 s1，s2 的 schema 均为

(id int, col1 string, std_ts timestamp)

那么，我们可以做这样的jo