sklearn.Binarizer() en Python

sklearn.preprocessing.Binarizer() es un método que pertenece al módulo de preprocesamiento. Desempeña un papel clave en la discretización de valores de características continuas. 
Ejemplo #1: 
Los datos continuos de valores de píxeles de una imagen en escala de grises de 8 bits tienen valores que oscilan entre 0 (negro) y 255 (blanco) y se necesita que sea en blanco y negro. Entonces, al usar Binarizer(), se puede establecer un umbral que convierte los valores de píxeles de 0 a 127 en 0 y de 128 a 255 en 1.
Ejemplo n.º 2: 
uno tiene un registro de máquina que tiene «Porcentaje de éxito» como característica. Estos valores son continuos y van del 10 % al 99 %, pero un investigador simplemente quiere usar estos datos para predecir el estado de aprobación o falla de la máquina en función de otros parámetros dados.
Sintaxis: 
 

sklearn.preprocessing.Binarizer(threshold, copy)

Parámetros:
umbral: [flotante, opcional] Los valores menores o iguales que el umbral se asignan a 0, de lo contrario, a 1. Por defecto, el valor del umbral es 0.0. 
copy: [booleano, opcional] Si se establece en False, evita una copia. Por defecto es Verdadero. 
 

Devolver : 
 

Binarized Feature values

Descargue el conjunto de datos: 
vaya al enlace y descargue Data.csv
A continuación se muestra el código de Python que explica sklearn.Binarizer() 
 

# Python code explaining how
# to Binarize feature values
  
""" PART 1
    Importing Libraries """
  
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
 
# Sklearn library
from sklearn import preprocessing
 
""" PART 2
    Importing Data """
  
data_set = pd.read_csv(
        'C:\\Users\\dell\\Desktop\\Data_for_Feature_Scaling.csv')
data_set.head()
 
# here Features - Age and Salary columns
# are taken using slicing
# to binarize values
age = data_set.iloc[:, 1].values
salary = data_set.iloc[:, 2].values
print ("\nOriginal age data values : \n",  age)
print ("\nOriginal salary data values : \n",  salary)
 
""" PART 4
    Binarizing values """
 
from sklearn.preprocessing import Binarizer
 
x = age
x = x.reshape(1, -1)
y = salary
y = y.reshape(1, -1)
 
# For age, let threshold be 35
# For salary, let threshold be 61000
binarizer_1 = Binarizer(35)
binarizer_2 = Binarizer(61000)
 
# Transformed feature
print ("\nBinarized age : \n", binarizer_1.fit_transform(x))
 
print ("\nBinarized salary : \n", binarizer_2.fit_transform(y))

Producción : 
 

   Country  Age  Salary  Purchased
0   France   44   72000          0
1    Spain   27   48000          1
2  Germany   30   54000          0
3    Spain   38   61000          0
4  Germany   40    1000          1

Original age data values : 
 [44 27 30 38 40 35 78 48 50 37]

Original salary data values : 
 [72000 48000 54000 61000  1000 58000 52000 79000 83000 67000]

Binarized age : 
 [[1 0 0 1 1 0 1 1 1 1]]

Binarized salary : 
 [[1 0 0 0 0 0 0 1 1 1]]