Sklearn 机器学习 数值离散化 指定区间

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在优快云上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

🧠 Sklearn 机器学习实战：数值离散化（指定区间）详解

在机器学习的数据预处理中，我们经常需要将连续型数值变量离散化（又称分箱），尤其在特征工程阶段，这有助于提升模型的泛化能力或适配某些对离散特征更敏感的算法（如树模型、Naive Bayes）。

本篇博文将深入讲解如何使用 Sklearn 对数值进行 “指定区间”离散化，即我们自己定义好划分边界，而不是让机器自动等距或等频划分。

---

📚 一、为什么要进行数值离散化？

数值离散化是指将连续型变量转换为离散型（分段）变量。常见的应用场景包括：

• 用于分类模型中，将连续值转为类别值
• 提升模型的解释性（如“年龄在30-40之间”更具语义）
• 处理异常值对模型影响
• 与某些特定算法的特征类型要求匹配（如朴素贝叶斯）

---

🔧 二、Sklearn 中的离散化工具

Sklearn 提供了非常强大的 sklearn.preprocessing.KBinsDiscretizer 工具来进行离散化，支持：

策略名	描述
uniform	等宽分箱（自动）
quantile	等频分箱（自动）
kmeans	基于聚类的分箱（自动）
❗ 自定义边界	不是 KBinsDiscretizer 直接支持的，需要手动实现

---

🎯 三、手动指定区间进行离散化

✅ 示例场景：年龄分组

我们有一组连续的“年龄”数据，希望分成以下类别：

• 0-18岁：青少年
• 18-35岁：青年
• 35-60岁：中年
• 60岁以上：老年

📌 代码实现（使用 np.digitize 或 pd.cut）

方法一：使用 np.digitize（返回整数 bin 编号）

import numpy as np

# 模拟一组年龄数据
ages = np.array([