sklearn快速入门教程：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、1），用于处理连续型变量。大于阈值的值映射为1，小于或等于的为0。默认情况下阈值为0，此时特征中所有的正值都映射到1.

import pandas as pd
data = pd.read_csv(r"D:\本科\kaggle数据挖掘\titanic\train.csv", index_col = 0)

from sklearn.preprocessing import Binarizer #Binarizer类是特征专用的，不能使用一维数组，所以下面要reshape
X = data.iloc[:,8].values.reshape(-1,1) #因为别的列有缺失值，这选了Fare这列，这样就不会报错。
transformer = Binarizer(threshold = 30).fit_transform(X) #threshold是阈值
transformer#高于30的是1，低于是0

array([[0.],
       [1.],
       [0.],
       [1.],
       [0.],
       [0.],
       [1.],
       [0.],
      此处省略。。。
       [0.],
       [0.]])

分箱preprocessing.KBinsdiscretizer

 将连续型变量排序，按顺序分箱，编码的类

参数：

n_bins 箱数

encode 编码方式

strategy 箱宽的方式

import pandas as pd
data = pd.read_csv(r"D:\本科\kaggle数据挖掘\titanic\train.csv", index_col = 0)

from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,1].values.reshape(-1,1) #选用Pclass列
est = KBinsDiscretizer(n_bins = 3, encode = 'ordinal', strategy = 'uniform') 
est.fit_transform(X) #0，1，2分别代表3个不同的箱子

array([[2.],
       [0.],
       [2.],
       [0.],
       [2.],
省略
       [1.],
       [0.],
       [2.],
       [0.],
       [2.]])

查看分箱：

一、

set(est.fit_transform(X).ravel()) #ravel=降维

{0.0, 1.0, 2.0}

 二、

est = KBinsDiscretizer(n_bins = 3, encode = 'onehot', strategy = 'uniform') 
est.fit_transform(X).toarray()

 

array([[0., 0., 1.],
       [1., 0., 0.],
       [0., 0., 1.],
       ...,
       [0., 0., 1.],
       [1., 0., 0.],
       [0., 0., 1.]])