数值特征直接输入模型往往效果不佳，分桶和归一化是两种基本处理手段。分桶把连续值离散化，能捕捉非线性关系并增强鲁棒性，对异常值不敏感，也便于模型学习区间型的业务规律。
分桶方式有等宽、等频和业务自定义。等宽简单但容易被长尾分布拖累，等频保证每桶样本均衡但边界随数据漂移。业务自定义分桶结合领域知识，通常效果最好，但需要持续维护边界定义。
归一化适用于对尺度敏感的模型，如线性模型和神经网络。标准化到零均值单位方差，或缩放到零一区间，能加速收敛并提升稳定性。树模型对单调变换不敏感，归一化收益有限，但仍有助于特征可比性。
处理时要防止穿越。分桶边界和归一化参数必须仅用训练集统计，再应用到验证和测试集。线上服务需保存同一套参数，确保训练与服务一致。特征分布漂移时应重新评估边界是否需要更新。
