sklearn连续型数据离散化

二值化

设置一个condition，把连续型的数据分类两类。比如Age，大于30，和小于30。

from sklearn.preprocessing import Binerize as Ber
x = data_2.iloc[:,0].values.reshpe(-1,1) #提取数据
trans = Ber(threshold = 30).fit_transform(x)
trans

这是x中>30的设置为1，其他的设置为0.

标签

有时数据可能需要对数据进行分箱化处理，或者给不同的数据设置不同的标签。

from sklearn.preprocessing import LabelEncoder as le
l = le()
l=l.fit(y)
label =l.transform(y)

可以在l对象，用classes_属性，查看总共有多少类。

l.classes_

array(['No', 'Unknown', 'Yes'], dtype=object)

label中就是处理过的数据。可直接写成：

from sklearn.preprocessing import LabelEncoder
data.iloc[:,-1]=LabelEncoder().fit_transform(data.iloc[:,-1])

独热编码

如果数据是有序，但不能进行计算。比如小学、中学、大学。如果用1,2,3分别进行替代。那么计算时，可能会将2视作1+1，两个小学加起来和中学不等，因此需要将它们单独分类组成这样的数据：

stu_id	小学	中学	大学
1234	1
1235			1
1236		1

这种方法就叫独热编码。

from sklearn.preprocessing import OneHotEncoder
enc=OneHotEncoder(categories='auto').fit(x)

使用get_feature_names() 可查看名称：

enc.get_feature_names()

enc.get_feature_names()

得到的结果是稀疏矩阵，需要用toArray() 方法。

result=OneHotEncoder(categories='auto').fit_transform(x).toarray()

最后将结果连接到原数据中，再提取。

newdata=pd.concat([data, pd.DataFrame(result)],axis=1)