检测并排除Pandas数据帧中的异常值

Question

我有一个包含少量列的pandas数据帧。

现在我知道某些行是基于某个列值的异常值。

例如列 - 'Vol'的所有值都大约为12xx，一个值为4000（异常值）。

现在我想排除那些有'Vol'列的行。因此，基本上我需要在数据框上放置一个过滤器，以便我们选择所有行，其中某列的值在与平均值相差3个标准差的范围内。

实现这一目标的优雅方式是什么？

Answer 1

如果数据框中有多个列，并且想要删除至少有一列中具有异常值的所有行，则以下表达式将一次性执行此操作。

df = pd.DataFrame(np.random.randn(100, 3))

from scipy import stats
df[(np.abs(stats.zscore(df)) < 3).all(axis=1)]

描述：

• 对于每列，首先计算列中每个值的Z分数，相对于列平均值和标准偏差。
• 然后取Z分的绝对值，因为方向无关紧要，只有当它低于阈值时。
• all（axis = 1）确保对于每一行，所有列都满足约束。
• 最后，此条件的结果用于索引数据帧。

Answer 2

由于我处于数据科学之旅的早期阶段，我正在使用下面的代码处理异常值。

#Outlier Treatment

def outlier_detect(df):
    for i in df.describe().columns:
        Q1=df.describe().at['25%',i]
        Q3=df.describe().at['75%',i]
        IQR=Q3 - Q1
        LTV=Q1 - 1.5 * IQR
        UTV=Q3 + 1.5 * IQR
        x=np.array(df[i])
        p=[]
        for j in x:
            if j < LTV or j>UTV:
                p.append(df[i].median())
            else:
                p.append(j)
        df[i]=p
    return df

Answer 3

以下是数据和2组的完整示例：

进口：

from StringIO import StringIO
import pandas as pd
#pandas config
pd.set_option('display.max_rows', 20)

具有2组的数据示例：G1：组1. G2：组2：

TESTDATA = StringIO("""G1;G2;Value
1;A;1.6
1;A;5.1
1;A;7.1
1;A;8.1

1;B;21.1
1;B;22.1
1;B;24.1
1;B;30.6

2;A;40.6
2;A;51.1
2;A;52.1
2;A;60.6

2;B;80.1
2;B;70.6
2;B;90.6
2;B;85.1
""")

将文本数据读取到pandas数据帧：

df = pd.read_csv(TESTDATA, sep=";")

使用标准偏差定义异常值

stds = 1.0
outliers = df[['G1', 'G2', 'Value']].groupby(['G1','G2']).transform(
           lambda group: (group - group.mean()).abs().div(group.std())) > stds

定义过滤后的数据值和异常值：

dfv = df[outliers.Value == False]
dfo = df[outliers.Value == True]

打印结果：

print '\n'*5, 'All values with decimal 1 are non-outliers. In the other hand, all values with 6 in the decimal are.'
print '\nDef DATA:\n%s\n\nFiltred Values with %s stds:\n%s\n\nOutliers:\n%s' %(df, stds, dfv, dfo)

Answer 4

我的功能是删除异常值

def drop_outliers(df, field_name):
    distance = 1.5 * (np.percentile(df[field_name], 75) - np.percentile(df[field_name], 25))
    df.drop(df[df[field_name] > distance + np.percentile(df[field_name], 75)].index, inplace=True)
    df.drop(df[df[field_name] < np.percentile(df[field_name], 25) - distance].index, inplace=True)

Answer 5

我喜欢剪辑而不是放弃。以下内容将在第2和第98百分位处进行修剪。

df_list = list(df)
minPercentile = 0.02
maxPercentile = 0.98

for _ in range(numCols):
    df[df_list[_]] = df[df_list[_]].clip((df[df_list[_]].quantile(minPercentile)),(df[df_list[_]].quantile(maxPercentile)))

Answer 6

将第98和第2百分位数作为我们异常值的极限

upper_limit = np.percentile(X_train.logerror.values, 98) 
lower_limit = np.percentile(X_train.logerror.values, 2) # Filter the outliers from the dataframe
data[‘target’].loc[X_train[‘target’]>upper_limit] = upper_limit data[‘target’].loc[X_train[‘target’]<lower_limit] = lower_limit

Answer 7

你可以使用布尔掩码：

import pandas as pd

def remove_outliers(df, q=0.05):
    upper = df.quantile(1-q)
    lower = df.quantile(q)
    mask = (df < upper) & (df > lower)
    return mask

t = pd.DataFrame({'train': [1,1,2,3,4,5,6,7,8,9,9],
                  'y': [1,0,0,1,1,0,0,1,1,1,0]})

mask = remove_outliers(t['train'], 0.1)

print(t[mask])

输出：

   train  y
2      2  0
3      3  1
4      4  1
5      5  0
6      6  0
7      7  1
8      8  1

Answer 8

由于我没有看到处理数字和非数字属性的答案，这里是补充答案。

您可能希望仅在数值属性上删除异常值（分类变量几乎不是异常值）。

功能定义

我已经扩展@ tanemaki的建议来处理非数字属性时的数据：

from scipy import stats

def drop_numerical_outliers(df, z_thresh=3):
    # Constrains will contain `True` or `False` depending on if it is a value below the threshold.
    constrains = df.select_dtypes(include=[np.number]) \
        .apply(lambda x: np.abs(stats.zscore(x)) < z_thresh, reduce=False) \
        .all(axis=1)
    # Drop (inplace) values set to be rejected
    df.drop(df.index[~constrains], inplace=True)

用法

drop_numerical_outliers(df)

例

想象一下数据集df，其中包含一些关于房屋的价值：胡同，土地等高线，销售价格等......例如：Data Documentation

首先，您想要在散点图上可视化数据（z-score Thresh = 3）：

# Plot data before dropping those greater than z-score 3. 
# The scatterAreaVsPrice function's definition has been removed for readability's sake.
scatterAreaVsPrice(df)

# Drop the outliers on every attributes
drop_numerical_outliers(train_df)

# Plot the result. All outliers were dropped. Note that the red points are not
# the same outliers from the first plot, but the new computed outliers based on the new data-frame.
scatterAreaVsPrice(train_df)

Answer 9

删除和删除异常值我认为在统计上是错误的。它使数据与原始数据不同。还使数据形状不均匀，因此最好的方法是通过对数据进行对数转换来减少或避免异常值的影响。这对我有用：

np.log(data.iloc[:, :])

Answer 10

像在boolean中一样使用numpy.array索引

df = pd.DataFrame({'Data':np.random.normal(size=200)})
# example dataset of normally distributed data. 

df[np.abs(df.Data-df.Data.mean()) <= (3*df.Data.std())]
# keep only the ones that are within +3 to -3 standard deviations in the column 'Data'.

df[~(np.abs(df.Data-df.Data.mean()) > (3*df.Data.std()))]
# or if you prefer the other way around

对于一个系列，它是相似的：

S = pd.Series(np.random.normal(size=200))
S[~((S-S.mean()).abs() > 3*S.std())]

Answer 11

对于每个dataframe列，您可以获得分位数：

q = df["col"].quantile(0.99)

然后过滤：

df[df["col"] < q]

Answer 12

这个答案类似于@tanemaki提供的答案，但使用lambda表达式而不是scipy stats。

df = pd.DataFrame(np.random.randn(100, 3), columns=list('ABC'))

df[df.apply(lambda x: np.abs(x - x.mean()) / x.std() < 3).all(axis=1)]

要过滤DataFrame，其中只有一列（例如'B'）在三个标准偏差范围内：

df[((df.B - df.B.mean()) / df.B.std()).abs() < 3]

Answer 13

#------------------------------------------------------------------------------
# accept a dataframe, remove outliers, return cleaned data in a new dataframe
# see http://www.itl.nist.gov/div898/handbook/prc/section1/prc16.htm
#------------------------------------------------------------------------------
def remove_outlier(df_in, col_name):
    q1 = df_in[col_name].quantile(0.25)
    q3 = df_in[col_name].quantile(0.75)
    iqr = q3-q1 #Interquartile range
    fence_low  = q1-1.5*iqr
    fence_high = q3+1.5*iqr
    df_out = df_in.loc[(df_in[col_name] > fence_low) & (df_in[col_name] < fence_high)]
    return df_out

Answer 14

对于数据框中的每个系列，您可以使用between和quantile来删除异常值。

x = pd.Series(np.random.normal(size=200)) # with outliers
x = x[x.between(x.quantile(.25), x.quantile(.75))] # without outliers

Answer 15

scipy.stats有方法trim1()和trimboth()根据排名和移除值的引入百分比将单个行中的异常值排除在外。

Answer 16

另一种选择是转换数据，以减少异常值的影响。您可以通过winsorizing您的数据来做到这一点。

import pandas as pd
from scipy.stats import mstats
%matplotlib inline

test_data = pd.Series(range(30))
test_data.plot()

# Truncate values to the 5th and 95th percentiles
transformed_test_data = pd.Series(mstats.winsorize(test_data, limits=[0.05, 0.05])) 
transformed_test_data.plot()

Answer 17

如果你喜欢方法链接，你可以获得所有数字列的布尔条件，如下所示：

df.sub(df.mean()).div(df.std()).abs().lt(3)

每列的每个值将根据其是否小于三个标准差而转换为True/False。