Python 中的 fea 包提供了許多方便的函數來進行特征工程（feature engineering），幫助我們將數據轉化為可供機器學習使用的格式。下面是幾個常用的 fea 函數：

# 導入 fea 包
import fea
# 填充缺失值
fea.fillna(df, column_name, value)
# 對類型變量進行編碼
fea.encode_categorical(df, column_name)
# 將數值變量標準化
fea.scale_numeric(df, column_name)
# 創建虛擬變量（即one-hot編碼）
fea.create_dummies(df, column_name)
# 刪除不需要的列（如ID列等）
fea.drop_columns(df, column_name)

以上各個函數都是可自定義的，可以根據實際需求進行調整。例如，在 fillna 函數中，可以將填充值改為平均值或中位數等；在 encode_categorical 函數中，可以設置不同的編碼方式。

在特征工程中，數據的預處理對于模型的準確性非常重要。使用 fea 包可以方便快捷地完成數據預處理，讓我們快速進入模型訓練的階段。