Python机器学习手册：从数据预处理到深度学习

4.9

　使用聚类的方式将观察值分组

｜

77

[0],

[0],

[2],

[3]])

讨论

如果有足够的理由认为某个数值型特征应该被视为一个分类特征（

categorical feature

），

那么离散化会是一个卓有成效的策略。例如，

19

岁和

20

岁的人消费习惯差距很小，但

是

20

岁和

21

岁（在美国，

21

岁的年轻人就可以饮酒了）的人之间消费习惯差距会很大。

在这个例子中，将人群划分成能喝酒的和不能喝酒的会很有用。同样，在其他情况下，

将数据离散化为

3

个或更多区间也很有用。

在上述解决方案中，我们可以看到两种离散化方法 ：针对

2

个区间使用了

scikit-learn

的

Binarizer

，针对

3

个及以上的区间使用了

NumPy

的

digitize

。

其实，只指定一个阈值，

digitize

也能像

Binarizer

一样二值化特征 ：

#

将特征离散化

np.digitize(age, bins=[18])

array([[0],

[0],

[1],

[1],

[1]])

延伸阅读

y

digitize

的文档（

http://bit.ly/2HSciFP

）

4.9

　使用聚类的方式将观察值分组

问题描述

对观察值进行聚类操作，使相似的观察值被分为一组。

解决方案

如果你有

k

个分组，可以使用

K-Means

（

K

均值）聚类法将相似的观察值分到一个组，

并输出一个新的特征，以标识观察值属于哪一组 ：

78

｜

第

4

章

处理数值型数据

#

加载库

import pandas as pd

from sklearn.datasets ...