处理连续性变量--二值化与分段

1. preprocessing.Binarizer

根据阈值将数据二值化（将特征值设置为0或者1），用于处理连续型变量。大于阈值的值映射为1，小于阈值的值映射为0。二值化是对文本数据常见的处理方式。

from sklearn.preprocessing import Binarizer
X = data.iloc[:,0].values.reshape(-1,1) #所有行第一列的数据，Binarizer为特征专用，所以不能使用一维数组，要reshape升维
transformer = Binarizer(threshold = 30).fit_transform(X) #这边阈值设置为30
data.iloc[:,0] = transformer

2. preprocessing.KBinsDiscretizer

将连续型变量划分为分类变量，能够将连续型变量排序后按照顺序分箱后编码。
参数：
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：编码方式默认“onehot"。“onehot"哑变量，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。“onehot-dense”：做哑变量，之后返回一个密集数组。
strategy：用来定义箱宽，默认"quantile"。“uniform”：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”：等位分箱，即每个特征中的每个箱内的样本数量都相同。“kmeans”：按聚类分箱，每个箱中的值到最近的一维k均值聚类的簇心距离相同。

from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,0].values.reshape(-1,1)
est = KBinsDiscretizer(n_bins = 3, encode = 'ordinal', strategy = 'uniform')
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()) # {0.0, 1.0, 2.0}

结果：

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()

结果：