变量类别	                      变量名称	        数据类型	                含义与说明
记录标识	                 RowNumber	       数值型（整数）	数据集中的行号，仅作为记录索引，无实际预测意义，建模前应移除。
                                 CustomerId	       数值型/文本型	        客户的唯一标识符。用于精确识别客户，但在通用预测模型中通常不作为特征使用，以避免过拟合。
                                  Surname	        文本型	                客户的姓氏。通常不直接用于模型，但可能隐含文化或地域信息。在强调隐私的场景下，此字段常被匿名化或移除。
人口统计学特征	Geography	        分类型	                客户所在的国家/地区。是分析流失模式地域差异的关键因素，不同市场的竞争、法规和服务期望可能不同。
                                    Gender	        分类型	                客户性别。用于分析流失行为是否存在性别差异。
                                      Age	              数值型（整数）	        客户年龄。是影响金融服务需求、产品偏好和生命周期价值的核心人口统计变量，通常与流失风险呈非线性关系。
账户与财务状况	CreditScore	      数值型（整数）	        客户的信用评分。反映客户的信用worthiness和金融健康度，评分低的客户可能因信贷服务受限或费用更高而更易流失。
                                   Balance	      数值型（连续）	        客户的存款账户余额。是衡量客户价值贡献和关系深度的关键指标。余额极低或异常高的客户都可能具有独特的流失动因。
                        NumOfProducts	     数值型（整数）	       客户持有的银行产品数量（如储蓄账户）。持有产品越多，客户粘性越强，流失风险越低，是衡量交叉销售成功度和关系紧密度的强信号。
                               HasCrCard	       二元分类型	        客户是否持有该银行的信用卡（1是，0否）。持有信用卡通常意味着更深的金融联系和更高的使用频率。
                            EstimatedSalary	     数值型（连续）	        客户的估计年薪。反映客户的收入水平和潜在价值。高收入客户可能对服务更挑剔，低收入客户可能对费用更敏感，两者流失原因不同。
客户互动与忠诚度	Tenure	             数值型（整数）	        客户成为银行客户的年数。衡量客户生命周期阶段和关系长度。新客户和非常长期的客户可能表现出不同的流失模式。
                          IsActiveMember	     二元分类型	                客户是否为活跃会员（1是，0否）。这是一个极强的行为信号，非活跃客户（如长期无交易）是流失的高危群体。
目标变量	                   Exited	             二元分类型	                客户是否已流失（1是，0否）。这是所有预测模型的核心目标变量，用于监督学习训练，旨在根据其他特征预测此结果。