有这样一个场景，线上有一些生效的策略判断哪些是作弊订单，你通过数据挖掘挖掘了一些特征也判断了一些作弊订单，现在需要下你挖掘出来的特征的效果，那么主要关注两方面：
（1）你的特征对于作弊订单的召回率和大盘影响面
（2）你的特征对于线上生效策略的补充作用（假如你的特征都是线上策略覆盖的，那就没啥意义）
对于第2点，这个时候就需要用到【python求列表的交集、并集、差集】

数据介绍

data_rule_eff是根据我们线上策略判断的作弊订单

data_device、data_face、data_dest是根据我们挖掘到的新特征判断的作弊订单

求列表的交集、并集、差集

求某一个特征与线上策略的交集、并集、差集、对称差集

#交集，& 两个列表里共有的，重合部分
list(set(data_device['order_id'].tolist())&set(data_rule_eff['order_id'].tolist()))
#并集，｜合并两个列表里子项，去重
list(set(data_device['order_id'].tolist())｜set(data_rule_eff['order_id'].tolist()))
#差集，- 左边列表里面减去两者交集
list(set(data_device['order_id'].tolist())-set(data_rule_eff['order_id'].tolist()))
#对称差集，^ 两个列表取并集后减去差集
list(set(data_device['order_id'].tolist())^set(data_rule_eff['order_id'].tolist()))

求多个特征与线上策略的交集、并集、差集、对称差集

# 先merge后再执行类似操作
data_merge=pd.concat([data_dest,data_face,data_device])
data_merge=list(data_merge['order_id'].unique())
len(data_merge)