处理连续型特征:二值化与分段

根据阈值将数据二值化(将特征值设置为0或1)， 用于处理连续型变量。

大于阈值的值映射为1，而小于或等于阈 值的值映射为0。默认阈值为0时，特征中所有的正值都映射到1

二值化是对文本计数数据的常见操作，可以决定仅考虑某种现象的存在与否

它还可以用作考虑布尔随机变量的估计器的预处理步骤（例如，使用贝叶斯 设置中的伯努利分布建模）

from sklearn.preprocessing import Binarizer
X = data_2.iloc[:,0].values.reshape(-1,1)               #类为特征专用，所以不能使用一维数组
transformer = Binarizer(threshold=30).fit_transform(X)
 
data_2.iloc[:,0] = transformer
data_2.head()

参数
含义&输入

n_bins

• ​ 每个特征中分箱的个数，默认5，一次会被运用到所有导入的特征

encode

• ​ 编码的方式，默认“onehot”
• ​ “onehot”：做哑变量，之后返回一个稀疏矩阵，每一列是一个特征中的一个类别，含有该 类别的样本表示为1，不含的表示为0
• ​ “ordinal”：每个特征的每个箱都被编码为一个整数，返回每一列是一个特征，每个特征下含 有不同整数编码的箱的矩阵 【如：0，1，2，3，4这种编码】
• ​ “onehot-dense”：做哑变量，之后返回一个密集数组。

strategy

• ​ 用来定义箱宽的方式，默认"quantile"
• ​ “uniform”：表示等宽分箱，即每个特征中的每个箱的最大值之间的差为 [(特征.max() - 特征.min()]/(n_bins)
• ​ “quantile”：表示等位分箱，即每个特征中的每个箱内的样本数量都相同
• ​ “kmeans”：表示按聚类分箱，每个箱中的值到最近的一维k均值聚类的簇心得距离都相同

from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,0].values.reshape(-1,1)
est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
#分三箱，以ordinal编码，使得每个箱内的**样本数量**都相同 
est.fit_transform(X)
#查看转换后分的箱：变成了一列中的三箱
set(est.fit_transform(X).ravel())
#.ravel()降维函数，用set集合去重
#{0.0， 1.0, 2.0}

est = KBinsDiscretizer(n_bins=3, encode='onehot', strategy='uniform')
#查看转换后分的箱：变成了哑变量
est.fit_transform(X).toarray()