Python超实用小技巧：数据分箱（代码及原理详解）

 train['CategoricalFare'] = pd.qcut(train['Fare'], 4)
 # 数据分箱，分成4个箱子

• 目的

  连续变量离散化：1~100分成4箱

• 为什么要分箱？

1. 离散变量便于特征的增加和减少，便于模型快速迭代

2. 稀疏向量内积乘法更快，计算结果便于存储，容易扩展

3. 离散化后的特征对异常数据有很强的鲁棒性，例如，连续异常值5000可能对模型影响很大，但如果分箱后，模型影响很小

4. 为模型引入非线性，提升模型表达能力，加大拟合

5. 模型更加稳定，不会因为各别数据增加而影响模型精度

6. 简化模型，防止模型过拟合