目录
1.什么是离散化？
离散化是将连续数据或分类数据转换为离散类别的过程，方便后续的数据分析和机器学习建模。
2.离散化类型
- 连续变量离散化：
- 定义：将连续的数值数据（例如年龄、收入、温度等）转换为离散的区间或类别。
- 方法：使用区间划分，将连续的数据分割成几个区间，并赋予每个区间一个标签或编码。
- 示例：将年龄数据分为"年轻"（18-29岁）、"中年"（30-40岁）、"老年"（41-50岁）。
- 定性变量离散化（分类编码）：
- 定义：将定性（分类）变量（例如性别、颜色、品牌等）转换为数值型或二进制型变量。
- 方法：将每个类别转换为一个唯一的数值标签（数值编码）或多个二进制变量（独热编码）。
- 示例 ：将水果名称转换为数值编码（
apple= 0,banana= 1,cherry= 2）或独热编码（apple= [1, 0, 0],banana= [0, 1, 0],cherry= [0, 0, 1]）。
3.示例代码
3.1连续变量离散化
等宽分箱 （Equal-width binning）是一种将连续变量离散化的方法。它将数据范围分成宽度相等的区间 （也称为"箱"）。每个区间包含的数据点数量可能不同，但每个区间的宽度是相同的。
将年龄数据划分为几个年龄段：
python
import pandas as pd
# 创建 DataFrame
data = {'age': [22, 25, 47, 35, 46, 50, 18, 21, 30, 19]}
df = pd.DataFrame(data)
print("原始数据:")
print(df)
# 等宽分箱
df['age_bins'] = pd.cut(df['age'], bins=3, labels=["Young", "Middle-aged", "Old"])
print("\n离散化结果（等宽分箱）:")
print(df)
"""
pd.cut:Pandas 的 cut 函数用于将连续变量（数值数据）分割成离散的区间。这个函数可以创建等宽区间或自定义区间。
df['age']:选择 DataFrame 中的 age 列作为需要离散化的数据。
bins=3:将 age 列的数据分成三个等宽的区间。
labels=["Young", "Middle-aged", "Old"]:为每个区间分配标签。三个区间将分别被标记为"Young"（年轻），"Middle-aged"（中年）和"Old"（老年）。
"""3.2定性变量离散化
独热编码 （One-Hot Encoding）是一种将分类变量（定性变量）转换为二进制向量的编码方法。每个分类变量的值将被转换为一个二进制向量，该向量在某个位置上为1，其余位置为0。这样可以避免分类变量在数值运算中引入大小关系。
定性变量（qualitative variable）又名分类变量，是统计学中的概念。当观测的个体只能归属于几种互不相容的类别中的一种时，一般用非数字来表达其类别，这样的观测数据称为定性变量。
将水果名称转换为数值编码和独热编码：
python
import pandas as pd
# 创建 DataFrame
data = {'fruit': ['apple', 'banana', 'cherry', 'date', 'apple', 'banana', 'cherry']}
df = pd.DataFrame(data)
print("原始数据:")
print(df)
# 数值编码
df['fruit_code'] = df['fruit'].astype('category').cat.codes
print("\n数值编码结果:")
print(df)
"""
在这里，fruit_code 列中的数据代表 fruit 列中水果名称的数值编码。具体解释如下：
apple 被编码为 0
banana 被编码为 1
cherry 被编码为 2
date 被编码为 3
df['fruit']:选择 DataFrame 中的 fruit 列。
astype('category'):将 fruit 列的数据类型转换为 Pandas 的分类数据类型（category）。分类数据类型是 Pandas 用于处理有限的离散值的一种类型，通常用于表示字符串分类变量。
cat.codes:获取分类数据的编码。每个唯一的分类值（例如 'apple', 'banana', 'cherry' 等）都会被映射为一个唯一的整数代码。这些整数代码存储在 cat.codes 属性中。
"""
# 独热编码
df_dummies = pd.get_dummies(df['fruit'], prefix='fruit')
print("\n独热编码结果:")
print(df_dummies)
"""
pd.get_dummies:Pandas 的 get_dummies 函数用于执行独热编码（One-Hot Encoding）。独热编码是将分类变量转换为多个二进制（0 或 1）变量的过程。
df['fruit']:选择 DataFrame 中的 fruit 列。
prefix='fruit':为生成的虚拟变量添加前缀。在生成的虚拟变量的列名中会添加这个前缀，以便识别这些列属于哪个原始变量。
"""
# 合并结果
df = pd.concat([df, df_dummies], axis=1)
print("\n合并后的结果:")
print(df)
"""
pd.concat:Pandas 的 concat 函数用于连接两个或多个 DataFrame。
[df, df_dummies]:将原始 DataFrame df 和独热编码后的 DataFrame df_dummies 作为列表传递给 concat 函数。这里我们将这两个 DataFrame 水平地连接在一起（即按列连接）。
axis=1:指定连接操作沿着列轴（轴=1）进行。这意味着新 DataFrame 的列数会增加，而行数保持不变。
"""4.运行结果
4.1连续变量离散化
python
原始数据:
age
0 22
1 25
2 47
3 35
4 46
5 50
6 18
7 21
8 30
9 19
离散化结果（等宽分箱）:
age age_bins
0 22 Young
1 25 Young
2 47 Old
3 35 Middle-aged
4 46 Old
5 50 Old
6 18 Young
7 21 Young
8 30 Middle-aged
9 19 Young4.2定性变量离散化
python
原始数据:
fruit
0 apple
1 banana
2 cherry
3 date
4 apple
5 banana
6 cherry
数值编码结果:
fruit fruit_code
0 apple 0
1 banana 1
2 cherry 2
3 date 3
4 apple 0
5 banana 1
6 cherry 2
独热编码结果:
fruit_apple fruit_banana fruit_cherry fruit_date
0 1 0 0 0
1 0 1 0 0
2 0 0 1 0
3 0 0 0 1
4 1 0 0 0
5 0 1 0 0
6 0 0 1 0
合并后的结果:
fruit fruit_code fruit_apple fruit_banana fruit_cherry fruit_date
0 apple 0 1 0 0 0
1 banana 1 0 1 0 0
2 cherry 2 0 0 1 0
3 date 3 0 0 0 1
4 apple 0 1 0 0 0
5 banana 1 0 1 0 0
6 cherry 2 0 0 1 0