特征工程-下
离散化（Bucketizer）
用来处理数值型字段的，离散化可以把原本连续的数值打散，从而降低原始数据的多样性。离散化的动机，主要在于提升特征数据的区分度与内聚性，从而与预测标的生产更强的关联。
首先，我们创建Bucketizer实例，然后将数值型字段作为参数传入setinputCol，同时使用setOutputCol来指定用于保存离散数据的新字段。
离散化的过程是把连续值打散为离散值，但具体的离散区间如何划分，还需要我们通过在setSplits里指定。离散敬意由浮点型数组splits提供，从负无穷到正无穷划分出了[负无穷，2]、[3，4]和[5，正无穷]这三个区间。最终我们调用Bucketizer的transform函数，对数据做离散化。
Embedding
Embedding的方法很多，从最基本的热独编码到PCA降维，从Word2Vec到Item2Vec，从矩阵分解到基于深度学习的协同过滤。
过程就是把数据集合映射到向量空间，进而把数据进行向量化的过程。目标就是找到一组合适的向量，来刻画现有的数据集合。
向量计算
负责完成向量的拆分、拼接、去处，从而构建特征向量，进而生成模型可消费的训练样本。 作为特征工程的最后一个环节，主要用于构建训练样本中的特征向量（Feature Vectors）。Spark MLlib在向量计算方面提供了丰富的支持。比如VectorAssembler，用于对向量做剪裁的VectorSlicer，以元素为单位做乘法的ElementwiseProduct，等等。