用途：Feature Engineering Kit 用于机器学习流水线中的自动化特征工程，把原始表格数据转换为可供模型训练的特征集。
主要能力：提供编码（One-hot、标签编码、目标编码）、缩放（标准化、最小-最大、鲁棒缩放）、多项式特征与交互项生成、连续特征分箱离散化、日期时间特征提取、文本特征（TF-IDF、词频统计）以及缺失值填充策略。
使用方式：通过命令行运行，指定输入数据、输出文件和配置文件：
python feature_engineering.py --data train.csv --output engineered.csv --config config.json
依赖：scikit-learn>=1.3.0、pandas>=2.0.0、numpy>=1.24.0。
适用场景：适合需要在建模前批量生成编码、缩放、交互项与文本/时间特征的表格数据任务。
限制：资料未提供具体配置项格式、各编码与缩放方法的参数细节、性能表现、收费方式及平台支持信息，暂未提供。