答案是：A: 数据过于集中在较小的部分。

专业分析：

从图中可以看出，点评数量的数据分布呈现出一种长尾分布的特征，即大多数商家的点评数量集中在较小的区间，而少数商家的点评数量非常大。这种分布特点在很多实际数据中是常见的，尤其是在用户行为数据中。

离散化的原因主要包括以下几点：

1. **数据过于集中在较小的部分**：如图所示，大多数商家的点评数量集中在较小的区间。如果直接使用原始数据进行建模，模型可能会受到这些高频小值的影响，导致预测结果不准确。通过离散化，可以将这些数据分成若干个区间，使得每个区间的数据量更加均匀，有助于提高模型的稳定性和预测能力。

2. **处理长尾分布**：长尾分布的数据在进行建模时，容易受到极端值的影响。通过离散化，可以减少这些极端值对模型的影响，使得模型能够更好地捕捉数据的整体趋势。

3. **简化模型复杂度**：离散化可以将连续变量转换为分类变量，简化数据的复杂度，便于后续的特征工程和模型训练。

4. **提高模型的鲁棒性**：离散化后的数据对异常值和噪声的敏感度较低，有助于提高模型的鲁棒性和泛化能力。

综上所述，数据过于集中在较小的部分是进行离散化的主要原因，这样可以更好地处理数据的长尾分布，减少极端值的影响，提高模型的预测性能。