二元转换Binarizer
Binarizer是将连续型变量根据某个阈值，转换成二元的分类变量。
小于该阈值的转换为0，大于该阈值的转换为1。
要求输入列必须是double，int都会报错。
如下：输入的是0.1，0.8，0.2连续型变量，要以0.5为阈值来转换成二元变量（0,1）。
打印结果：
Binarizer output with Threshold = 0.5 +---+-------+-----------------+ | id|feature|binarized_feature| +---+-------+-----------------+ | 0| 0.1| 0.0| | 1| 0.8| 1.0| | 2| 0.2| 0.0| +---+-------+-----------------+
多了一个新的列，它就是转换后产生的新的特征。
什么时候会用到二元转换？
比如使用朴素贝叶斯做分类预测的时候，输入的特征必须是类别型的，如果在原始的特征数据集中存在连续型的特征变量，就需要将它转换成二元的类别变量。
多元转换（分桶Bucketizer）
同样是连续型变量，如果分成两类还不够，同样也可以分成多类。
二元转换的时候需要给出一个阈值，在多元换转换中，如果要分成n类，就要给出n+1个阈值组成的array，任意一个数都可以被放在某两个阈值的区间内，就像把它放进属于它的桶中，故称为分桶策略。
比如有x,y两个阈值，那么他们组成的区间是[x,y)的前开后闭区间；
对于最后一个区间是前闭后闭区间。
给出的这个阈值array，里面的元素必须是递增的。
如果在转换的过程中有一个数没有被包含在区间内，那么就会当成错误值（对错误值的处理可以通过参数配置）。如果不确定特征值的最小与最大值，那么就添加Double.NegativeInfinity（负无穷）和Double.PositiveInfinity（正无穷）到array的两侧。
Bucketizer output with 4 buckets +--------+----------------+ |features|bucketedFeatures| +--------+----------------+ | -999.9| 0.0| | -0.5| 1.0| | -0.3| 1.0| | 0.0| 2.0| | 0.2| 2.0| | 999.9| 3.0| +--------+----------------+
第一列为原始的连续型特征，第二列为转换后的分类索引。
分位数离散化QuantileDiscretizer
与上面两个方法一样，QuantileDiscretizer（分位数离散化）也是将一列连续型的数据转成分类型数据。
通过指定要分为多少类，然后取一个样本数据进行fit，并将其分为每个类别的元素个数大致相等，来得到一个固定阈值array的Bucketizer，其阈值array的下限为-Infinity(负无重大) ，上限为+Infinity(正无重大)。
分级的数量由numBuckets参数决定。
分级的范围有渐进算法决定。
渐进的精度由relativeError参数决定。当relativeError设置为0时，将会计算精确的分位点（计算代价较高）。
但如果样本数据只划分了3个区间，此时设置numBuckets为4，则仍只划分为3个区间。
原文地址：https://www.cnblogs.com/itboys/p/10786265.html