Python机器学习手册：从数据预处理到深度学习

问题描述

将一个数值型特征离散化，分到多个离散的小区间中。

解决方案

根据数据离散化的方式，有两种方法可以使用。第一种方法是根据阈值将特征二值化：

第二种方法是根据多个阈值将数值型特征离散化：

记住，bins参数中的每个数字表示的是每个区间的左边界（左闭右开）。例如，20表示第一个区间不包括值为20的元素，只包括两个值小于20的元素。可以设置right参数为True来改变这个行为：

讨论

如果有足够的理由认为某个数值型特征应该被视为一个分类特征（categorical feature），那么离散化会是一个卓有成效的策略。例如，19岁和20岁的人消费习惯差距很小，但是20岁和21岁（在美国，21岁的年轻人就可以饮酒了）的人之间消费习惯差距会很大。在这个例子中，将人群划分成能喝酒的和不能喝酒的会很有用。同样，在其他情况下，将数据离散化为3个或更多区间也很有用。

在上述解决方案中，我们可以看到两种离散化方法：针对2个区间使用了scikit-learn的Binarizer，针对3个及以上的区间使用了NumPy的digitize。其实，只指定一个阈值， digitize也能像Binarizer一样二值化特征：

延伸阅读

● digitize的文档（http://bit.ly/2HSciFP）