scikit-learn 中列（特征）的分箱值答案

【问题标题】：Binning values of columns (features) in scikit-learnscikit-learn 中列（特征）的分箱值
【发布时间】：2018-10-03 23:50:40
【问题描述】：

假设我有一个包含以下行的训练数据集（数据集中的几个样本）：

X1     X2      X3      Y
1      44.9    44.9    32.49370277
8      402.4   1       28.79444926
2      19.1    14      21.89679219
1      -26.3   11.3    20.36124795
1      -19.4   9.2     18.72667562
2      4.1     2.1     16.93972179
0      -1.2    1.2     16.59192825
1      3.4     3.4     16.43835616
3      7.8     4.6     16.35924841

我有三个变量（X1 到 X3）作为我的特征和一个目标变量（Y）。当我在数据集（包括超过 10,000 个样本）上训练模型时，我发现这些特征之间没有很强的相关性。

现在，我想对每一列（X1、X2 和 X3）中的值进行分组，看看它是否会影响我的模型的结果。我想知道sklearn中是否有任何功能可以做到这一点？一个函数/方法，它对每列的值进行分箱/分组，并为我提供这三个特征（X1 到 X3）的所有可能分箱的组合，以便我可以对它们进行全部测试并找到最佳模型。

我注意到在 sklearn 中有一个名为 KBinsDiscretizer 的函数用于分箱，我应该将其用于我提到的目的吗？如果是，我应该如何选择垃圾箱的数量？基本上我想知道“binning”是否是我应该寻找的关键字，以便对数据集中的特征值进行分组以用于训练模型？值可以是连续的或离散的。

如果 python 中有任何其他库/包可以执行我所描述的操作，那也会很有帮助。

【问题讨论】：

标签： python machine-learning scikit-learn binning

【解决方案1】：

这样做，决定你想要存储变量的自定义边界。

bins_boundary = [0,1,2,8]
labels = ['A','B','C'] #labels
#CREATE BUCKETS
df['x1'] = pd.cut(df['x1'], bins=bins, labels=labels)

出于各种目的，连续变量是 bin to buckets。有时您想将回归问题转化为分类。

还可以查看 pandas qcut 以获得有效的离散化。您还可以使用 quantiles 和变量的总体分布来创建 bin。

【讨论】：