我的数据包含连续和分类功能的混合。下面是我的数据在csv格式中的一小部分（将其视为由在不同城市运营商店的超级商店链收集的数据）
city,avg_income_in_city,population,square_feet_of_store_area, store_type ,avg_revenue
NY ,54504 , 3506908 ,3006 ,INDOOR , 8000091
CH ,44504 , 2505901 ,4098 ,INDOOR , 4000091
HS ,50134 , 3206911 ,1800 ,KIOSK , 7004567
NY ,54504 , 3506908 ,1000 ,KIOSK , 2000091
她可以看到avg_income_in_city，square_feet_of_store_area和avg_revenue是连续值，其中city，store_type等是分类类（还有一些我没有在这里展示以保持数据的简洁性）。
我希望对数据建模以预测收入。问题是如何使用sklearn“离散”连续值？ sklearn是否为连续值的离散化提供了任何“现成的”类/方法？ （就像我们在Orange中一样，例如Orange.Preprocessor_discretize（data，method = orange.EntropyDiscretization（））
谢谢！
答案 0 :(得分：8)
答案是否定的。 scikit-learn中没有binning。正如eickenberg所说，你可能想要使用np.histogram。假设scikit-learn中的特征是连续的，而不是离散的。没有装箱的主要原因可能是大部分sklearn是基于文本，图像特征或来自科学界的数据集开发的。在这些设置中，分箱很少有用。你知道一个免费提供的数据集，其中binning真的有用吗？
答案 1 :(得分：4)
您也可以考虑将分类变量数字化，例如通过指标变量，一个程序也称为一个热编码
尝试
from sklearn.preprocessing import OneHotEncoder
并使其适合您的分类数据，然后使用数值估算方法，如线性回归。只要没有太多类别（城市可能有点太多），这可以很好地运作。
对于连续变量的离散化，您可以考虑使用适应的bin大小进行分级，或者等效地，在直方图归一化之后进行均匀分级。 numpy.histogram在这里可能会有所帮助。此外，虽然Fayyad-Irani群集未在sklearn中实施，但请随时查看sklearn.cluster您的数据的自适应离散化（即使它只是1D），例如通过KMeans。
答案 2 :(得分：2)
更新（2018年9月）：从0.20.0版开始，有一个函数sklearn.preprocessing.KBinsDiscretizer，它使用几种不同的策略离散化了连续特征：
不幸的是，目前，该函数不接受自定义间隔（这对我来说真是令人讨厌，因为这正是我想要的，也是我最终来到这里的原因）。如果要达到相同的目的，可以使用Pandas函数cut：
import numpy as np
import pandas as pd
n_samples = 10
a = np.random.randint(0, 10, n_samples)
# say you want to split at 1 and 3
boundaries = [1, 3]
# add min and max values of your data
boundaries = sorted({a.min(), a.max() + 1} | set(boundaries))
a_discretized_1 = pd.cut(a, bins=boundaries, right=False)
a_discretized_2 = pd.cut(a, bins=boundaries, labels=range(len(boundaries) - 1), right=False)
a_discretized_3 = pd.cut(a, bins=boundaries, labels=range(len(boundaries) - 1), right=False).astype(float)
print(a, '\n')
print(a_discretized_1, '\n', a_discretized_1.dtype, '\n')
print(a_discretized_2, '\n', a_discretized_2.dtype, '\n')
print(a_discretized_3, '\n', a_discretized_3.dtype, '\n')
产生：
[2 2 9 7 2 9 3 0 4 0]
[[1, 3), [1, 3), [3, 10), [3, 10), [1, 3), [3, 10), [3, 10), [0, 1), [3, 10), [0, 1)]
Categories (3, interval[int64]): [[0, 1) < [1, 3) < [3, 10)]
category
[1, 1, 2, 2, 1, 2, 2, 0, 2, 0]
Categories (3, int64): [0 < 1 < 2]
category
[1. 1. 2. 2. 1. 2. 2. 0. 2. 0.]
float64
请注意，默认情况下，pd.cut返回类型为Category的dtype为interval[int64]的pd.Series对象。如果您指定自己的labels，则输出的dtype仍为Category，但元素的类型为int64。如果希望系列具有数字dtype，则可以使用.astype(np.int64)。
我的示例使用整数数据，但它与浮点数一样适用。
答案 3 :(得分：1)
您可以使用pandas.cut方法，如下所示：
bins = [0, 4, 10, 30, 45, 99999]
labels = ['Very_Low_Fare', 'Low_Fare', 'Med_Fare', 'High_Fare','Very_High_Fare']
train_orig.Fare[:10]
Out[0]:
0 7.2500
1 71.2833
2 7.9250
3 53.1000
4 8.0500
5 8.4583
6 51.8625
7 21.0750
8 11.1333
9 30.0708
Name: Fare, dtype: float64
pd.cut(train_orig.Fare, bins=bins, labels=labels)[:10]
Out[50]:
0 Low_Fare
1 Very_High_Fare
2 Low_Fare
3 Very_High_Fare
4 Low_Fare
5 Low_Fare
6 Very_High_Fare
7 Med_Fare
8 Med_Fare
9 High_Fare
Name: Fare, dtype: category
Categories (5, object): [High_Fare < Low_Fare < Med_Fare < Very_High_Fare < Very_Low_Fare]
答案 4 :(得分：0)
感谢上述想法；
要离散化连续值，可以使用：
或
sklearn的KBinsDiscretizer函数（参数encode设置为“普通”）
strategy = uniform将以与pd.cut相同的方式离散化。strategy = quantile将以与pd.qcut函数相同的方式离散化由于先前的答案中提供了cut / qcut的示例，因此让我们继续使用KBinsDiscretizer上的干净示例：
import numpy as np
from sklearn.preprocessing import KBinsDiscretizer
A = np.array([[24,0.2],[35,0.3],[74,0.4], [96,0.5],[2,0.6],[39,0.8]])
print(A)
# [[24. 0.2]
# [35. 0.3]
# [74. 0.4]
# [96. 0.5]
# [ 2. 0.6]
# [39. 0.8]]
enc = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
enc.fit(A)
print(enc.transform(A))
# [[0. 0.]
# [1. 0.]
# [2. 1.]
# [2. 1.]
# [0. 2.]
# [1. 2.]]
如输出所示，每个特征已离散为3个bin。 希望这对您有所帮助：）
最后的笔记：
cut versus qcut，请参见此post KBinsDiscretizer(encode='onehot')对该功能执行一键热编码