时间:2021-05-22
如下所示:
data = np.random.randn(20) factor = pd.cut(data,4) pd.get_dummies(factor) 0 0 0 0 11 1 0 0 02 0 0 0 13 0 0 1 04 1 0 0 05 0 1 0 06 0 1 0 07 0 1 0 08 0 0 1 09 0 1 0 010 0 0 0 111 0 1 0 012 0 1 0 013 0 0 1 014 0 0 1 015 0 1 0 016 0 1 0 017 1 0 0 018 0 0 1 019 0 0 0 1其中参数中的4表示的是,划分为4段。
以上这篇利用Python将数值型特征进行离散化操作的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
使用python语言,实现求特征选择的信息增益,可以同时满足特征中有连续型和二值离散型属性的情况。师兄让我做一个特征选择的代码,我在网上找了一下,大部分都是用来
one-hot编码的作用使用one-hot编码,将离散特征的取值扩展到了欧式空间,离散特征的某个取值就对应欧式空间的某个点将离散特征通过one-hot编码映射到
离散特征的编码分为两种情况:1、离散特征的取值之间没有大小的意义,比如color:[red,blue],那么就使用one-hot编码2、离散特征的取值有大小的意
离散特征的编码分为两种情况:1、离散特征的取值之间没有大小的意义,比如color:[red,blue],那么就使用one-hot编码2、离散特征的取值有大小的意
本文实例讲述了Java实现的决策树算法。分享给大家供大家参考,具体如下:决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法,首先对数据进行处理,利用归