KBinsDiscretizer#

class sklearn.preprocessing.KBinsDiscretizer(n_bins=5, *, encode='onehot', strategy='quantile', quantile_method='warn', dtype=None, subsample=200000, random_state=None)[source]#

将连续数据分成区间。

更多信息请参阅用户指南。

0.20 版本新增。

参数:

n_binsint 或 array-like，形状为 (n_features,)，默认为 5

要生成的箱的数量。如果 n_bins < 2，则引发 ValueError。

encode{‘onehot’, ‘onehot-dense’, ‘ordinal’}，默认值为 ‘onehot’

用于编码转换结果的方法。

‘onehot’：使用独热编码对转换后的结果进行编码，并返回稀疏矩阵。被忽略的特征将始终堆叠在右侧。
‘onehot-dense’：使用独热编码对转换后的结果进行编码，并返回密集数组。被忽略的特征将始终堆叠在右侧。
‘ordinal’：将箱标识符编码为整数值。

strategy{‘uniform’, ‘quantile’, ‘kmeans’}，默认值为 ‘quantile’

用于定义 bin 宽度的策略。

‘uniform’：每个特征中的所有箱具有相同的宽度。
‘quantile’：每个特征中的所有箱具有相同数量的点。
‘kmeans’：每个箱中的值具有相同的 1D k-means 聚类中心。

关于不同策略的示例，请参阅：演示 KBinsDiscretizer 的不同策略。

quantile_method{“inverted_cdf”, “averaged_inverted_cdf”,

“closest_observation”, “interpolated_inverted_cdf”, “hazen”, “weibull”, “linear”, “median_unbiased”, “normal_unbiased”}，默认值为 “linear” 当使用 strategy=”quantile” 时，传递给 np.percentile 计算的方法。只有 averaged_inverted_cdf 和 inverted_cdf 支持在使用 sample_weight != None 且不激活子采样时使用。

在版本 1.7 中新增。

dtype{np.float32, np.float64}，默认值为 None

输出的期望数据类型。如果为 None，则输出数据类型与输入数据类型一致。仅支持 np.float32 和 np.float64。

0.24 版本新增。

subsampleint 或 None，默认值为 200_000

用于拟合模型以提高计算效率的最大样本数。subsample=None 表示在计算确定分箱阈值的分位数时使用所有训练样本。由于分位数计算依赖于对 X 的每一列进行排序，而排序具有 n log(n) 的时间复杂度，因此建议在样本量非常大的数据集上使用子采样。

版本 1.3 中已更改：当 strategy="quantile" 时，subsample 的默认值从 None 更改为 200_000。

版本 1.5 中已更改：当 strategy="uniform" 或 strategy="kmeans" 时，subsample 的默认值从 None 更改为 200_000。

random_stateint, RandomState instance or None, default=None

确定子采样的随机数生成。传入一个整数以获得跨多个函数调用的可重复结果。有关更多详细信息，请参阅 subsample 参数。请参阅术语表。

版本 1.1 中新增。

属性:

bin_edges_ndarray，形状为 (n_features,) 的 ndarray 数组: 每个箱的边缘。包含形状各异的数组 (n_bins_, )。被忽略的特征将具有空数组。
n_bins_ndarray，形状为 (n_features,)，dtype=np.int64: 每个特征的箱数。宽度过小（即 <= 1e-8）的箱将被移除并发出警告。
n_features_in_int: 在拟合期间看到的特征数。

0.24 版本新增。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

Binarizer: 基于参数 threshold 将值划分为 0 或 1 的类。

注意事项

关于在不同数据集上进行离散化的可视化，请参阅特征离散化。关于离散化对线性模型的影响，请参阅：使用 KBinsDiscretizer 对连续特征进行离散化。

在特征 i 的分箱边缘中，第一个和最后一个值仅用于 inverse_transform。在转换过程中，分箱边缘被扩展到

np.concatenate([-np.inf, bin_edges_[i][1:-1], np.inf])

如果您只想预处理部分特征，可以将 KBinsDiscretizer 与 ColumnTransformer 结合使用。

KBinsDiscretizer 可能会产生常数特征（例如，当 encode = 'onehot' 且某些箱中没有任何数据时）。这些特征可以使用特征选择算法（例如 VarianceThreshold）移除。

示例

>>> from sklearn.preprocessing import KBinsDiscretizer
>>> X = [[-2, 1, -4,   -1],
...      [-1, 2, -3, -0.5],
...      [ 0, 3, -2,  0.5],
...      [ 1, 4, -1,    2]]
>>> est = KBinsDiscretizer(
...     n_bins=3, encode='ordinal', strategy='uniform'
... )
>>> est.fit(X)
KBinsDiscretizer(...)
>>> Xt = est.transform(X)
>>> Xt
array([[ 0., 0., 0., 0.],
       [ 1., 1., 1., 0.],
       [ 2., 2., 2., 1.],
       [ 2., 2., 2., 2.]])

有时将数据转换回原始特征空间可能很有用。inverse_transform 函数将分箱后的数据转换回原始特征空间。每个值将等于两个分箱边缘的平均值。

>>> est.bin_edges_[0]
array([-2., -1.,  0.,  1.])
>>> est.inverse_transform(Xt)
array([[-1.5,  1.5, -3.5, -0.5],
       [-0.5,  2.5, -2.5, -0.5],
       [ 0.5,  3.5, -1.5,  0.5],
       [ 0.5,  3.5, -1.5,  1.5]])

尽管此预处理步骤可以是一种优化，但请注意，inverse_transform 返回的数组的内部类型将是 np.float64 或 np.float32，由 dtype 输入参数指定。这可能会极大地增加数组的内存使用量。请参阅矢量量化示例，其中 KBinsDiscretizer 用于将图像分箱聚类，并将图像大小增加了 8 倍。

fit(X, y=None, sample_weight=None)[source]#

拟合估计量。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 要离散化的数据。
yNone: 忽略。此参数仅用于与 Pipeline 的兼容性。
sample_weightndarray，形状为 (n_samples,): 包含要与每个样本关联的权重值。

在版本 1.3 中新增。

版本 1.7 中已更改：添加了对 strategy=”uniform” 的支持。

返回:

selfobject: 返回实例本身。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后对其进行转换。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None: 目标值（对于无监督转换，为 None）。
**fit_paramsdict: 额外的拟合参数。仅当估计器在其 fit 方法中接受额外的参数时才传递。

返回:

X_newndarray array of shape (n_samples, n_features_new): 转换后的数组。

get_feature_names_out(input_features=None)[source]#

获取输出特征名称。

参数:

input_featuresarray-like of str or None, default=None

输入特征。

如果 input_features 为 None，则使用 feature_names_in_ 作为输入特征名称。如果 feature_names_in_ 未定义，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。
如果 input_features 是 array-like，则如果定义了 feature_names_in_，input_features 必须与 feature_names_in_ 匹配。

返回: