分箱的几种方法
目标：不同分箱，目标属性相距应尽可能远，比如婴儿和老年在生理和心理上的特征区别明显。
在python中，可以使用pandas包实现等深和等宽分层，sklearn的聚类算法（比如kmeans）实现最优分箱
个性与共性（算法：监督学习）
监督学习算法相对非监督学习存在一个因变量，即相对原因的“结果”推断。
比如推断身高xx，xx学历，xx专业，xx人格，xx职业，xx长相，xx喜好，xx经历，xx环境……的人可能会喜欢什么类型的人。
非监督学习本质上跟人的行为是一样的：经验学习指导推断。
抽象归纳出共性，使得事物认识变得简单。
比如很多人都会说人是一个复杂的动物，行为不可捉摸。但不论怎样，他都是一个人，拥有一个人作为人所共有的一些特征（尽管这种共性是人为界定的）。
一个人的行为按动机功利利己可划分为：损人利己，双赢，损人不利己，损己利他（比如涂尔干讲的利他自杀），如此认识便变得简单：无非是利己和利他两面交叉。
共性普遍适用，至于算法层面体现为经验（模型）具备更好的泛化能力。（推荐高命中）样本少，特征维度多训练的模型可能会过拟合（个性）
比如有10个人，都喜欢听好话，其中有3个人同时喜欢接受实在的意见及批评。你可以向这10个人说好话（共性）以博取好感建立信任。但你不能向这10个人都给出中肯的批评，这是个性化需求。
假设就以上特征，总体特征是10个人有3个人愿意倾听中肯批评意见。但就当前，自己遇到的3个人，3个人都愿意接受批评，我们给出经验所有人都是愿意接受中肯批评的，结果遇到新人就不管情况给人一顿批评，其结果可想而知了。这就是样本不足带来的经验局限。
经验的有效之三大要素：
共性与个性的相辅相成
就个体而言，任何一个人的特征亦或需求都是个性化的。
就不同人，至于细节，世界没有完全相同的叶子。纵然两个人都喜欢吃苹果，两者对吃苹果的感知也是有差异的。
小明手机坏了，我们知道小明需要买一个手机（共性），我们向小明推荐一个华为p40，小明又是否会喜欢呢？任何一个人他的需求都是个性化的，只知道共性没法实现个性化推荐。（共性可以无限向上抽离，是一个相对的概念）
之所以强调共性，本质，是不论做什么，我们不要偏离共性根本特征所拥有的联系。
比如人家要报考一个数学培训班，你给人家推荐语文培训班很可能不会生效（这里就具体需求实现来讲，不考虑需求关联，比如报考数学的人也会报考语文培训班）。
给人家推荐语文培训班，人家不一定会接受，人家是要培训数学。从销售角度来说，我们要做需求澄清具体化，比如客户对上课时间，费用，培训老师，培训地理位置等的要求，如此才能精准把控客户需求。
有些情况，用户可能自己也不知道自己需要什么，可能需要探索引导。