所有回收箱的sklearn.KBinsDiscretizer返回0

Question

我有一个数字阵列的形状(1,188)。尝试使用KBinsDiscretizer创建回收箱，但它只给了我零个带注释的回收箱。

 # transform the dataset with KBinsDiscretizer
    enc = KBinsDiscretizer(n_bins=18, encode='ordinal' ,strategy='uniform')#strategy='uniorm'

    test =(np.asarray(list_event_MES).astype(np.float)).reshape(1, -1)
    print(test)
    print(test.shape)

    enc.fit(test)
    test2 = enc.transform(test)
    print(test2.tolist())

所有回收箱都会返回零。

输入法：[0.13614053 0.14069501 0.08270327 0.26015096 0.15958708 0.16834299 0.14913976 0.11897561 0.23232807 0.0892398 0.1637264 0.17120459 0.19350733 0.18131615 0.15176006 0.19068352 0.24293008。……0.2112216 0.21829195 0.28169516 0.27585681 0.27317305 0.1849694 0.23402622 0.24994829 0.20873297 0.25534803 0.15556027 0.27226802 0 0.14180543 0.24001428] 形状：(1,188) 对188个列的警告: /miniconda3/lib/python3.7/site-packages/sklearn/preprocessing/_discretization.py:159: UserWarning: Feature0是常量，将被替换为0。“替换为0.JJ) /miniconda3/lib/python3.7/site-packages/sklearn/preprocessing/_discretization.py:159: UserWarning:特性1是常量，将被0替换。% jj) /miniconda3/lib/python3.7/site-packages/sklearn/preprocessing/_discretization.py:159: UserWarning: Feature2是常量，将被0替换。“改为0.”% jj)

Answer 1

根据数组(1,188)的形状，我们可以推断只有1示例和188特性。根据文档 ofKBinsDiscretizer，它用于将连续数据绑定到间隔中，并且它发生在一个特性级别上，即对于每个特性(换句话说，对于数据的每一列)，KBinsDiscretizer计算bin间隔，然后回放数据，其示例如下所示：

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)  

Xt = est.transform(X)
Xt  

array([[ 0., 0., 0., 0.],
      ​[ 1., 1., 1., 0.],
      ​[ 2., 2., 2., 1.],
      ​[ 2., 2., 2., 2.] 

在这里，对于每一列，离散化程序计算bin间隔并将它们装箱。在您的例子中，每个特性只有一个数据点，所以计算箱没有任何意义。相反，如果您的数据是形状为(188,1)的--即使用188示例和1特性--那么它的工作原理非常完美，如下所示：

enc = KBinsDiscretizer(n_bins=18, encode='ordinal' ,strategy='uniform')
list_event_MES = np.random.normal(0,2,188).reshape(-1,1)
test =(np.asarray(list_event_MES))
print(test.shape)
(188,1)

enc.fit(test)
test2 = enc.transform(test)

print(test2[0:5])

array([[12.],
   [12.],
   [ 7.],
   [ 9.],
   [ 3.]])