我可以想出很多想法，但它们是否有用取决于您正在构建的内容：

• 取变量的对数，并将其用作特征，然后您可以对其进行规范化或使用它。
• 使用其十分位数/四分位数将其转换为分类变量。
• 将非常高的值裁剪到第 95 个百分位，并将其标准化。

我特别喜欢第二个，因为我真的很喜欢基于树的方法，它在这些方法中大放异彩。

标准化相当普遍。我认为您可能需要考虑数据的分布以及是否要对异常值做任何事情。一些流行的归一化技术：min-max和z-score. 通过谷歌搜索，您将看到大量资源。从我处理收入数据的有限时间来看，有时您可能希望使用对数刻度进行测试，而前 1% 的人也倾向于扭曲标准化。

我认为收入的分配将是幂律分配。但我认为你最应该担心的不是输入特征，而是输出，因为输出对你的模型有直接影响，而输入特征的影响还不确定。并且不要只是消除异常值，首先要研究特征（尤其是输出）的分布。

我认为幂律是分布是机器学习中需要驯服的强大野兽。这可能会鼓励每个规模的多模型方法，但我会尝试制作类似以下的功能：示例（116,299,900）：百万 <- 116 千 <- 299 个 <- 900。百万、千和一是新功能。然后我将对每个特征应用规范化。