Python是一種十分強大的編程語言，其中重要特點之一就是其能夠對數據進行高效處理。其中，特征離散化是一個有用的數據處理技術，可以將連續變量轉換為離散變量，使得算法更加易于處理和解釋。

Python中，numpy和pandas庫都提供了離散化函數。以下是一個使用pandas中cut()函數對數據進行特征離散化的實例：

import pandas as pd
df = pd.DataFrame({'age': [20, 25, 30, 35, 40, 45, 50, 55, 60, 65]})
bins = [0, 30, 60, 100] #設定分箱點
labels = ['young', 'mid-age', 'old'] #對應的標簽
df['age_group'] = pd.cut(df['age'], bins, labels=labels) #應用cut函數
print(df)

上述代碼中，我們首先創建了一個包含年齡的數據框df，然后使用cut函數將年齡分為3個類別——young（年輕）、mid-age（中年）和old（老年），并將離散化后的結果添加為新的一列age_group。最后通過print語句輸出結果，查看離散化后的數據。

在上述示例的輸出結果中，我們可以看到每個年齡對應的離散化后的類別：

age age_group
0   20     young
1   25     young
2   30  mid-age
3   35  mid-age
4   40  mid-age
5   45  mid-age
6   50       old
7   55       old
8   60       old
9   65       old

如上所示，通過對連續變量進行特征離散化，我們能夠使得數據更易于理解和處理。同時，離散化后的數據便于經典機器學習算法的使用，例如樸素貝葉斯之類的算法。