二元轉換Binarizer
Binarizer是將連續型變量根據某個閾值，轉換成二元的分類變量。
小於該閾值的轉換為0，大於該閾值的轉換為1。
要求輸入列必須是double，int都會報錯。
如下：輸入的是0.1，0.8，0.2連續型變量，要以0.5為閾值來轉換成二元變量（0,1）。
打印結果：
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|
+---+-------+-----------------+
多了一個新的列，它就是轉換后產生的新的特征。
什么時候會用到二元轉換？
比如使用朴素貝葉斯做分類預測的時候，輸入的特征必須是類別型的，如果在原始的特征數據集中存在連續型的特征變量，就需要將它轉換成二元的類別變量。
多元轉換（分桶Bucketizer）
同樣是連續型變量，如果分成兩類還不夠，同樣也可以分成多類。
二元轉換的時候需要給出一個閾值，在多元換轉換中，如果要分成n類，就要給出n+1個閾值組成的array，任意一個數都可以被放在某兩個閾值的區間內，就像把它放進屬於它的桶中，故稱為分桶策略。
比如有x,y兩個閾值，那么他們組成的區間是[x,y)的前開后閉區間；
對於最后一個區間是前閉后閉區間。
給出的這個閾值array，里面的元素必須是遞增的。
如果在轉換的過程中有一個數沒有被包含在區間內，那么就會當成錯誤值（對錯誤值的處理可以通過參數配置）。如果不確定特征值的最小與最大值，那么就添加Double.NegativeInfinity（負無窮）和Double.PositiveInfinity（正無窮）到array的兩側。
打印結果：
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|
+--------+----------------+
第一列為原始的連續型特征，第二列為轉換后的分類索引。
分位數離散化QuantileDiscretizer
與上面兩個方法一樣，QuantileDiscretizer（分位數離散化）也是將一列連續型的數據轉成分類型數據。
通過指定要分為多少類，然后取一個樣本數據進行fit，並將其分為每個類別的元素個數大致相等，來得到一個固定閾值array的Bucketizer，其閾值array的下限為-Infinity(負無重大) ，上限為+Infinity(正無重大)。
分級的數量由numBuckets參數決定。
分級的范圍有漸進算法決定。
漸進的精度由relativeError參數決定。當relativeError設置為0時，將會計算精確的分位點（計算代價較高）。
但如果樣本數據只划分了3個區間，此時設置numBuckets為4，則仍只划分為3個區間。