有几种方法。你可以从第二个开始。

等宽（距离）分区：

• 它将范围划分为 N 个大小相等的区间：均匀网格

• 如果 A 和 B 是属性的最小值和最大值，则间隔宽度将为：W = (B-A)/N.

• 最直接的 - 异常值可能会主导表示 - 倾斜的数据处理得不好。

等深（频率）分区：

• 它将范围划分为 N 个区间，每个区间包含大致相同数量的样本
• 良好的数据扩展性
• 管理分类属性可能很棘手。

其他方法

• Rank：一个数字的等级是它相对于数值变量的其他值的大小。首先，我们对值列表进行排序，然后将值的位置指定为其排名。相同的值获得相同的排名，但重复值的存在会影响后续值的排名（例如，1、2、3、3、5）。Rank 是一种可靠的分箱方法，有一个主要缺点，不同列表中的值可以具有不同的等级。
• Quantiles (median, quartiles, percentiles, ...)：分位数也是非常有用的分箱方法，但与排名一样，如果值列表发生变化，一个值可以有不同的分位数。
• Math functions：例如，对数分箱是一种有效的方法，用于具有高度偏态分布的数值变量（例如，收入）。

基于熵的分箱

基于熵的方法使用拆分方法。熵（或信息内容）是根据类标签计算的。直观地说，它找到了最好的分割，使 bin 尽可能纯净，即 bin 中的大多数值对应于具有相同的类标签。形式上，它的特点是找到具有最大信息增益的分割。