当前位置：首页 > news >正文

从卦象到特征工程：传统文化中的特征提取直觉

news 2026/7/8 15:26:08

从卦象到特征工程：传统文化中的特征提取直觉

一、六十四卦的特征矩阵——比 one-hot 优雅了三千年的编码体系

《易经》六十四卦由六条爻线组成，每爻分阴阳。如果从特征工程的视角看：这是一个 64 个样本、6 个特征、每个特征 2 种取值的特征矩阵。

这不是穿凿附会。八卦到六十四卦的生成过程——两两叠加形成新卦——本质上是一种组合特征生成。和现代特征工程中的多项式特征（Polynomial Features）在精神上高度一致。

更有意思的是，卦与卦之间的关系不是简单的欧氏距离。乾卦（六爻全阳）到坤卦（六爻全阴）有六步之遥——这和汉明距离（Hamming Distance）的概念完全吻合。

在实际项目中，这种对应关系可以产生直接的工程价值。比如在计算两卦相似度时，用汉明距离走 6 步远比用余弦相似度在全 64 维空间里计算更直观、更高效。

二、卦象变化的数学本质：离散拓扑空间中的有限状态机

把六十四卦看作一个离散拓扑空间：

每个卦是一个点（状态）
每变化一爻，从一个卦迁移到另一个卦（状态转移）
六十四卦构成一个有 2^6 = 64 个节点的超立方体图（6-维超立方体）

在这个空间中，任意两个卦之间的距离等于它们不同爻的数量——即汉明距离。

graph TD A[64 卦 = 64 个特征向量] --> B[每卦 6 爻 = 6 维特征] B --> C{爻的属性} C --> D[阴阳: 二元特征] C --> E[爻位: 位置编码] C --> F[乘承比应: 关系特征] D --> G[二元特征矩阵: 64 × 6] E --> G F --> G G --> H{特征转换} H --> I[One-Hot: 64 × 128] H --> J[爻变图: 384 条边] H --> K[二进制编码: 00-63] I --> L[NLP 应用: 文本分类特征] J --> M[Graph NN 应用: 节点分类] K --> N[序列建模: 状态预测] L --> O[特征维度爆炸，需降维] M --> P[图结构保留关系信息] N --> Q[紧凑但丢失关系特征]

见证奇迹的时刻：当把六十四卦编码为 64 张图的 Graph Neural Network 节点时，卦与卦之间的"相生相克"关系自动变成了图的边——完全不用额外特征工程。

三、卦象特征提取的工程化实现

以下实现了三种不同粒度的卦象编码方案：

import numpy as np from typing import List, Dict, Tuple class HexagramEncoder: """六十四卦特征编码器 —— 从二进制到图嵌入""" # 六十四卦名称（按二进制顺序排列） HEXAGRAM_NAMES = [ "坤", "复", "师", "临", "谦", "明夷", "升", "泰", "豫", "震", "解", "归妹", "小过", "丰", "恒", "大壮", "比", "屯", "坎", "节", "蹇", "既济", "井", "需", "萃", "随", "困", "兑", "咸", "革", "大过", "夬", "剥", "颐", "蒙", "损", "艮", "贲", "蛊", "大畜", "晋", "噬嗑", "未济", "睽", "旅", "离", "鼎", "大有", "观", "益", "涣", "中孚", "渐", "家人", "巽", "小畜", "否", "无妄", "讼", "履", "遁", "同人", "姤", "干", ] @staticmethod def binary_encode(hexagram_name: str) -> np.ndarray: """方法1：二进制编码 设计原因：将卦象映射到 0~63 的整数，用 6-bit 二进制表示。 这是最紧凑的编码方式，保留了逐爻的比较能力。 汉明距离 = 不同爻的数量。 """ idx = HexagramEncoder.HEXAGRAM_NAMES.index(hexagram_name) # 转 6-bit 二进制，从低位到高位对应从下到上的爻 bits = [(idx >> i) & 1 for i in range(6)] return np.array(bits, dtype=np.float32) @staticmethod def one_hot_encode(hexagram_name: str) -> np.ndarray: """方法2：独热编码 设计原因：每个卦有唯一的 64 维独热向量。 适合作为分类任务的标签编码，保留了所有卦之间的独立平等性。 缺点：丢失了卦与卦之间的结构关系。 """ idx = HexagramEncoder.HEXAGRAM_NAMES.index(hexagram_name) vec = np.zeros(64, dtype=np.float32) vec[idx] = 1.0 return vec @staticmethod def relational_features(hexagram_name: str) -> Dict[str, float]: """方法3：关系特征提取 设计原因：从卦象中提取结构化特征： - 阴阳比例：阳爻数量，表征刚柔属性 - 中位爻：二爻和五爻（中位）的阴阳状态 - 互体：二三四爻和三四五爻形成的两个交互卦 """ bits = HexagramEncoder.binary_encode(hexagram_name) # 阳爻数量 —— 衡量卦的"阳刚"程度 yang_count = int(bits.sum()) # 中位爻状态（二爻、五爻） # 设计原因：爻位特征保留位置信息， # 二爻和五爻在传统解释中具有特殊意义（居中得正） middle_yang_2 = float(bits[1]) # 二爻（索引 1） middle_yang_5 = float(bits[4]) # 五爻（索引 4） # 上下卦分析：下三爻为下卦，上三爻为上卦 lower_trigram = bits[:3] # 下卦 upper_trigram = bits[3:] # 上卦 return { "yang_ratio": yang_count / 6.0, "lower_yang": float(lower_trigram.sum()) / 3.0, "upper_yang": float(upper_trigram.sum()) / 3.0, "middle_line_2": middle_yang_2, "middle_line_5": middle_yang_5, "is_pure_yang": 1.0 if yang_count == 6 else 0.0, "is_pure_yin": 1.0 if yang_count == 0 else 0.0, } def hamming_distance(a: np.ndarray, b: np.ndarray) -> int: """计算两个卦的汉明距离 —— 变化了几爻""" return int((a != b).sum()) def build_hexagram_graph() -> Tuple[np.ndarray, np.ndarray]: """构建六十四卦的关系图（邻接矩阵 + 边列表） 设计原因：任意两个卦之间如果只差一爻，就有一条边。 这个图有 64 个节点和 192 条边（每卦 6 爻，每条边被两个卦共享）。 可以用 GNN 在这个图上学习卦的特征表示。 """ adj = np.zeros((64, 64), dtype=np.float32) edges = [] for i in range(64): for j in range(i + 1, 64): # 汉明距离 = 1 → 只差一爻 → 有边 bits_i = np.array([(i >> b) & 1 for b in range(6)]) bits_j = np.array([(j >> b) & 1 for b in range(6)]) if (bits_i != bits_j).sum() == 1: adj[i, j] = 1.0 adj[j, i] = 1.0 edges.append((i, j)) return adj, np.array(edges)

四、结构化特征 vs 端到端学习：什么时候传统智慧有价值

编码方式	维度	关系保留	适用场景
二进制编码	6	汉明距离	序列预测、状态机
One-Hot	64	独立平等	分类标签
关系特征	7	结构化属性	传统分析、可解释 ML
图嵌入（GNN）	自定义	拓扑关系	关系预测、聚类