離散化
將連續數值資料轉換為離散的類別或區間，與編碼（encoder）互斥使用。
使用範例
自訂 K-bins 參數
Preprocessor:
custom:
sequence:
- missing
- outlier
- discretizing
config:
discretizing:
age:
method: 'discretizing_kbins'
n_bins: 10 # 分成10個區間
income:
method: 'discretizing_kbins'
n_bins: 5 # 分成5個區間可用的處理器
| 處理器 | 說明 | 適用類型 | 輸出 |
|---|---|---|---|
discretizing_kbins | K-bins 離散化 | 數值型 | 整數標籤 |
encoder_label | 標籤編碼 | 類別型 | 整數標籤 |
注意：discretizing 序列中，類別型資料會自動使用 encoder_label 進行編碼。
處理器詳細說明
discretizing_kbins
K-bins 離散化：將連續數值分割成 k 個等寬區間。
參數：
- n_bins (
int, 選用)- 區間數量（k值）
- 預設值：
5 - 範例：
n_bins: 10
特性：
- 等寬分箱（equal-width binning）
- 輸出為整數標籤（0, 1, 2, …）
- 減少資料維度和複雜度
離散化示例：
原始數值：[18, 25, 35, 45, 55, 65]
n_bins = 5
區間劃分：
[18-27.4) → 0
[27.4-36.8) → 1
[36.8-46.2) → 2
[46.2-55.6) → 3
[55.6-65] → 4
離散化結果：[0, 0, 1, 2, 3, 4]處理邏輯
數值型資料（discretizing_kbins）
- 訓練階段（fit）：計算並儲存區間邊界
- 轉換階段（transform）：依區間邊界將數值映射到整數標籤
- 還原階段（inverse_transform）：將整數標籤還原為區間中點值
類別型資料（encoder_label）
- 訓練階段（fit）：建立類別到整數的映射
- 轉換階段（transform）：依映射將類別轉為整數
- 還原階段（inverse_transform）：依映射將整數還原為類別
預設行為
當使用 discretizing 序列時的預設處理：
| 資料類型 | 預設處理器 | 說明 |
|---|---|---|
| 數值型 | discretizing_kbins | K-bins 離散化（k=5） |
| 類別型 | encoder_label | 標籤編碼 |
| 日期時間型 | discretizing_kbins | K-bins 離散化（k=5） |
與 encoder 的差異
| 特性 | discretizing | encoder |
|---|---|---|
| 數值輸出 | 離散整數（0, 1, 2, …） | 連續值或多欄位 |
| 適用場景 | 離散化需求 | 一般編碼需求 |
| 類別處理 | Label 編碼 | 多種編碼（Uniform/Label/OneHot） |
| 與 scaler | 通常不使用 | 通常配合使用 |
| 序列位置 | 必須是最後一步 | 在 scaler 之前 |
使用限制
1. 與 encoder 互斥
# ❌ 錯誤：不能同時使用
Preprocessor:
wrong:
sequence:
- missing
- encoder # 錯誤！
- discretizing # 與 encoder 互斥# ✅ 正確：只使用其中一個
Preprocessor:
correct:
sequence:
- missing
- outlier
- discretizing # 正確2. 必須是最後一步
# ❌ 錯誤：discretizing 後面還有其他步驟
Preprocessor:
wrong:
sequence:
- missing
- discretizing
- scaler # 錯誤！discretizing 必須是最後# ✅ 正確：discretizing 是最後一步
Preprocessor:
correct:
sequence:
- missing
- outlier
- discretizing # 正確：最後一步注意事項
- 互斥性：不能與 encoder 同時使用
- 位置限制：必須是序列中的最後一步
- 還原精度：還原時使用區間中點，不會完全還原原值
- 區間數量：n_bins 應根據資料範圍和需求調整
- 合成器影響：某些合成器（如 PAC-Synth、DPCTGAN）可能產生浮點數，系統會自動四捨五入
- 適用場景：適合需要離散化輸出的情況，如某些隱私保護演算法
- NA 處理：後處理時會先移除 NA 值再進行還原