数据处理之连续数据离散化

一些数据挖掘算法，比如Apriori算法等，要求数据是分类属性形式，需要进行连续数据离散化。

连续数据离散化就是在数据的取值范围内，设定若干个离散的划分点，将取值范围划分为一些离散化的区间，最后用不同的符号或整数值代表落在每个子区间中的数据值。

离散化涉及两个子任务：

1、确定分类数

2、将连续属性值映射到这些分类值

 

举例1，先导入数据，如下：

常用的离散化方法：

1、等宽法

将数据的值域分成具有相同宽度的区间。区间的个数根据数据特点或用户指定。

缺点是对离群点比较敏感，不均匀地分布数据。

R语言：

v1 = ceiling(data[,1]*10) #宽度设为1，进行等宽离散化

Python：

import pandas as pd
data = pd.read_excel('discretization_data.xls')
data = data[u'肝气郁结证型系数'].copy()
k = 4

d1 = pd.cut(data,k,labels=range(k))

2、等频法

将相同数量的记录放进每个区间。

缺点是可能将相同的数据分到不同的区间。

R语言：