离散化数据属性：加载glass.arff数据集，通过无监督离散化过滤器分别对数据集中RI属性进行等宽离散化和等频离散化（截图并说明操作步骤）

离散化数据属性通常是指将连续数值型的数据转换成离散的类别，以便于后续的分析处理，比如机器学习模型构建。以"glass.arff"数据集为例，这个数据集通常用于分类问题，其中RI（refractive index）是一个连续变量。

操作步骤分为两部分：等宽离散化和等频离散化。

1. **等宽离散化**：
- **步骤1**: 首先，你需要导入相关的库，如`sklearn.datasets`、`pandas`和`matplotlib`。

   import pandas as pd
   from sklearn.datasets import load_breast_cancer
   import matplotlib.pyplot as plt

- **步骤2**: 加载数据集，并查看RI列。

   data = load_breast_cancer()
   df = pd.DataFrame(data.data, columns=data.feature_names)
   ri_data = df['RI']

- **步骤3**: 定义离散区间宽度，例如选择5个区间。

   width = (ri_data.max() - ri_data.min()) / 5
   breakpoints = [ri_data.min()] + [ri_data.min() + i * width for i in range(4)] + [ri_data.max()]

- **步骤4**: 进行等宽离散化，创建新的离散列。

   df['RI_discretized'] = pd.cut(ri_data, bins=breakpoints)

- **步骤5**: 可以使用`df['RI_discretized'].value_counts().plot(kind='bar')`绘制直方图展示结果。

2. **等频离散化**：
- 步骤类似，只是需要计算每个区间包含的数据量相等，可以用`pd.qcut()`代替`pd.cut()`。

   n_bins = len(df)//5  # 根据总样本数确定区间的数量
   df['RI_discretized_freq'] = pd.qcut(ri_data, q=n_bins, duplicates='drop')

为了截图展示过程，您可以运行上述代码并在每一步之后截取窗口。请注意，由于这是一个文本环境，无法直接提供图片，但你可以按照上述步骤在本地环境中执行。