我有一组数据存储在“numpy”数组中:
array([['4.8', '3.0', '1.4', '0.3', 'Iris-setosa'],
['4.6', '3.2', '1.4', '0.2', 'Iris-setosa'],
['5.3', '3.7', '1.5', '0.2', 'Iris-setosa'],
['5.0', '3.3', '1.4', '0.2', 'Iris-setosa'],
['7.0', '3.2', '4.7', '1.4', 'Iris-versicolor'], dtype='<U15')
- 这只是一个示例，我不仅在处理 iris 数据集。
我正在尝试使用 Orange离散化这些连续数据。
我知道我可以做这样的事情来完成工作:
import Orange
iris = Orange.data.Table("iris.tab")
disc = Orange.preprocess.Discretize()
disc.method = Orange.preprocess.discretize.EqualFreq(n=3)
d_iris = disc(iris)
然而，此方法仅适用于橙色数据表，不适用于 numpy 数组。
有没有办法使用 Orange 来离散化存储在 numpy 数组中的数据？
最佳答案
d_iris.X 已经是一个 numpy 数组，但您将丢失目标值和 header 。 d_iris.Y 是您可以与 X 合并的目标列。不过请记住，您只会在离散化后看到分配的 bin 值，这可能难以解释。
d_iris.X[:5]
array([[0., 3., 0., 0.],
[0., 1., 0., 0.],
[0., 2., 0., 0.],
[0., 2., 0., 0.],
[0., 3., 0., 0.]])
关于python - 如何使用 Orange 离散化存储在 numpy 数组中的数据？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/52900064/