在进行类神经网络以前，数据准备是一个非常重要的步骤，它可以显著影响模型的性能和训练效率。以下是对选项的分析：

A: 将数据进行离散化
离散化是指将连续数据转换为离散的类别。这在某些情况下可能有用，但对于神经网络来说，通常更倾向于使用连续数据，因为神经网络擅长处理连续特征。

B: 将数据正规化于0到1之间
这是一个非常常见且重要的步骤。正规化可以帮助加速训练过程，提高模型的收敛速度，并防止某些特征在数值上占据主导地位。将数据缩放到0到1之间是常用的正规化方法之一。

C: 将所有类别属性直接用0, 1, 2, 3取代成数值型属性
这种方法被称为标签编码，对于某些算法是可行的，但对于神经网络，通常更好的方法是使用独热编码（one-hot encoding）。直接用整数编码类别可能会引入无序关系，影响模型性能。

D: 不需要任何准备
这通常不是一个好的做法。未经处理的数据可能包含不同尺度的特征，缺失值或不适合直接输入模型的格式，都会影响模型的表现。

综合以上分析，选项B是最适合的答案。将数据正规化到0到1之间是进行类神经网络前的一个重要步骤，因为它有助于提高模型的训练效率和性能。