1. Bucketizer 做什么？
Bucketizer 会把输入列（连续值）按你配置的splitsArray切分成区间，并输出区间编号：
- 输出的桶索引范围：
[0, numSplitsInThisColumn - 2]（也就是区间数量-1） - 文档描述为
[0, numSplitsInThisColumn - 1]，但通常 splits 的长度为 N，会产生 N-1 个区间，因此索引通常落在[0, N-2]（你可以以实际输出为准）
例如 splits 为[-0.5, 0.0, 0.5]：
- 区间1：[-0.5, 0.0)
- 区间2：[0.0, 0.5]
最终输出 bucketIndex 为 0 或 1（两段）
2. 输入列与输出列
输入列（Input Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
inputCols | Number | null | 需要分桶的连续特征列（可多列） |
输出列（Output Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
outputCols | Double | null | 分桶后的离散特征（桶索引）列（可多列） |
输出是 Double 类型的桶索引（有些场景你也会想转成 Int/Long 或进一步 one-hot）。
3. 核心参数（Parameters）详解
| Key | 默认值 | 必填 | 说明 |
|---|---|---|---|
inputCols | null | ✅ | 输入列名数组 |
outputCols | null | ✅ | 输出列名数组 |
splitsArray | null | ✅ | 每个输入列的切分点数组（二维数组） |
handleInvalid | ERROR_INVALID | 否 | 遇到非法值（NaN、越界等）如何处理 |
3.1 splitsArray：分桶切分点怎么写？
splitsArray是Double[][]，它的长度必须等于inputCols.length，每个子数组对应一个输入列的切分点。
要求/建议：
- 每个切分点数组要单调递增
- 通常建议首尾用
-INF/+INF包住，避免边界外数据出错
比如：[-INF, 10.0, +INF]
3.2 handleInvalid：非法值如何处理？
常见策略（示例中使用了SKIP_INVALID）：
ERROR_INVALID：遇到非法值直接报错（默认）SKIP_INVALID：跳过包含非法值的记录（整行被丢弃）- 有的体系还会支持
KEEP_INVALID（保留并映射到特殊桶），具体以 Flink ML 实现为准
工程建议：
- 离线训练：可以用
ERROR_INVALID，尽早暴露数据质量问题 - 在线/生产：更常用
SKIP_INVALID或“先做清洗再分桶”，避免任务被脏数据打挂
4. Java 示例逐段解读
你的示例做了 4 列特征同时分桶：
4.1 输入数据
DataStream<Row>inputStream=env.fromElements(Row.of(-0.5,0.0,1.0,0.0));TableinputTable=tEnv.fromDataStream(inputStream).as("f1","f2","f3","f4");只有一行数据，四个连续特征：f1=-0.5, f2=0.0, f3=1.0, f4=0.0
4.2 配置 splitsArray
Double[][]splitsArray=newDouble[][]{newDouble[]{-0.5,0.0,0.5},// f1：两段newDouble[]{-1.0,0.0,2.0},// f2：两段newDouble[]{Double.NEGATIVE_INFINITY,10.0,Double.POSITIVE_INFINITY},// f3：两段newDouble[]{Double.NEGATIVE_INFINITY,1.5,Double.POSITIVE_INFINITY}// f4：两段};可以把它理解为：
f1在 [-0.5,0) 或 [0,0.5] -> bucket 0/1f2在 [-1,0) 或 [0,2] -> bucket 0/1f3在 (-inf,10) 或 [10,inf) -> bucket 0/1f4在 (-inf,1.5) 或 [1.5,inf) -> bucket 0/1
4.3 创建 Bucketizer 并 transform
Bucketizerbucketizer=newBucketizer().setInputCols("f1","f2","f3","f4").setOutputCols("o1","o2","o3","o4").setSplitsArray(splitsArray).setHandleInvalid(HasHandleInvalid.SKIP_INVALID);TableoutputTable=bucketizer.transform(inputTable)[0];输出表会保留原列 + 新增o1~o4四个桶索引列。
4.4 打印输入与输出
示例把每列输入与输出读出来并打印：
inputValues[i]=(double)row.getField(bucketizer.getInputCols()[i]);outputValues[i]=(double)row.getField(bucketizer.getOutputCols()[i]);最终打印类似：
- Input Values: [-0.5, 0.0, 1.0, 0.0]
- Output Values: [?, ?, ?, ?]（取决于边界规则，通常 0.0 会落在右边区间）
5. 实战建议：分桶到底怎么设计？
1）优先用 -INF / +INF 包住区间
避免线上出现“越界数据导致报错”。
2）分桶边界最好来自数据分布
常见做法：
- 等频分桶（按分位数）
- 等宽分桶（按范围均分）
- 业务阈值分桶（如价格档位、风控评分段）
3）Bucketizer 通常不是最后一步
分桶后的输出是“桶索引”，很多模型更喜欢 one-hot 或 embedding：
- LR / 线性模型：桶索引 → one-hot（或直接当作类别特征处理）
- 树模型：可以直接用数值，但分桶可能帮助稳定
