【KNIME经验】通过数据分箱标识其所属范围

KNIME相关视频教程，请移步B站，搜索“星汉长空”，多谢支持！

背景：对于连续性的数值变量，比如学生成绩，往往需要进行等级评定，优良中差。对数值型数据进行标签化、等级化，确定其所属的范围，在机器学习等领域有广泛的需求。本例对正实数范围划定了几个等级，关键点分割点分别为0，5，10，20，100，300，500，1000。从而分成了类似[0-5)，[5-10) ... (1000，+∞）等等范围，需要为数据分箱，设定相应的标签。

方案1：使用Rule Engine节点，写下若干范围判断语句，从而为数据设置相应的标签（略，语句的构成较为复杂，不易维护）。
方案2：使用数据分箱节点，Numerical Binner (PMML)，对数值型变量的分箱、标签化需求具有针对性。

步骤1. （构造测试数据）如数据生成图片中的红色部分所示，在KNIME中加入Random Numbers Generator节点，为测试设置50个随机数据，数据的类型为double，范围为[0, 3.5]
（注：没有直接设置范围为0到∞，是因为分割点的数值大致成指数函数分布，如果直接设置随机数，会导致测试覆盖度不足）。

步骤2. （构造测试数据）如数据生成图片中的绿色部分所示，拖入Math Formula节点，在里面指数函数，可以使用exp或者power都是可以的，这里使用了power函数，生成底数为10的指数函数计算结果，从而构成了测试数据集。

步骤3. （构造测试数据）如数据生成图片中的蓝色部分所示，拖入Table Creator节点，将分割点输入表格，用以测试分箱函数对于分割点数值处理的正确性。继续拖入Concatenate节点，将基于随机数发生的测试集和分割点数据集加以合并，形成最终的测试数据集。

步骤4. （测试数据分箱）如数据分箱图片所示，拖入Numerical Binner (PMML)节点，将其与合并后的测试数据集节点相连。双击该节点打开配置页面，通过Add按钮不断添加对数值型数据的分箱范围设置条目。如图中红色圆圈所示，不仅可以对分箱条目的标签加以设置（例如：“ negOut”代表负数，“>1000”，它们都是标签文本，代表分箱结果。），还可以设置分箱范围的上下限值，以及对于界限值的开区间和闭区间设置，对于下边界（左侧），“[”代表包含该界限值，“]”代表不包含该界限值（上边界，右侧，含义相反），这样的设置将改变关键分割点数据的分箱标签结果，大家可以自行尝试，我们的测试集里包括了对分割点数据的处理。

步骤5. （测试数据分箱）点击“OK”，关闭Numerical Binner (PMML)节点设置并运行工作流，完成对测试数据集的分箱处理，形成数据标签，可以检查处理结果，如果有不符合经验判断的结果，可以去检查分箱设置是否有错误。

解释1. 何为KNIME？KNIME数据分析平台是一款强大开源的数据挖掘软件平台，可以固化数据处理的流程，在人与人，人与机器之间进行传递。

解释2. 相对Rule Engine节点有何优势？一方面Rule Engine节点完成同样的功能需要写下若干逻辑语句，有一定的学习成本；另一方面，对于区间的设置，逻辑语句通常需要使用“AND”来连接，对于开闭区间的设置，需要十分小心“>=”,“>”，“<=”，“<”的用法，十分容易发生错误；使用分箱节点，只需要输入数据，下拉选择开闭区间，学习成本比较低，设置情况清晰明了，简单易懂，维护方便，不易发生错误，即使有设置错误，也十分容易发现。