熊猫数据框 - 删除异常值[重复]

Posted

技术标签:

【中文标题】熊猫数据框 - 删除异常值[重复]【英文标题】:Pandas dataframe - remove outliers [duplicate] 【发布时间】:2018-02-24 23:14:46 【问题描述】:

给定一个 pandas 数据框,我想根据其中一列排除与异常值(Z 值 = 3)相对应的行。

数据框如下所示:

df.dtypes
_id                   object
_index                object
_score                object
_source.address       object
_source.district      object
_source.price        float64
_source.roomCount    float64
_source.size         float64
_type                 object
sort                  object
priceSquareMeter     float64
dtype: object

对于线路:

dff=df[(np.abs(stats.zscore(df)) < 3).all(axis='_source.price')]

引发以下异常:

-------------------------------------------------------------------------    
TypeError                                 Traceback (most recent call last)
<ipython-input-68-02fb15620e33> in <module>()
----> 1 dff=df[(np.abs(stats.zscore(df)) < 3).all(axis='_source.price')]

/opt/anaconda3/lib/python3.6/site-packages/scipy/stats/stats.py in zscore(a, axis, ddof)
   2239     """
   2240     a = np.asanyarray(a)
-> 2241     mns = a.mean(axis=axis)
   2242     sstd = a.std(axis=axis, ddof=ddof)
   2243     if axis and mns.ndim < a.ndim:

/opt/anaconda3/lib/python3.6/site-packages/numpy/core/_methods.py in _mean(a, axis, dtype, out, keepdims)
     68             is_float16_result = True
     69 
---> 70     ret = umr_sum(arr, axis, dtype, out, keepdims)
     71     if isinstance(ret, mu.ndarray):
     72         ret = um.true_divide(

TypeError: unsupported operand type(s) for +: 'NoneType' and 'NoneType'

以及返回值

np.isreal(df['_source.price']).all()

True

为什么会出现上述异常,如何排除异常值?

【问题讨论】:

【参考方案1】:

如果想使用给定数据集的 Interquartile Range(即 IQR,如下面的 Wikipedia image 所示)(Ref):

def Remove_Outlier_Indices(df):
    Q1 = df.quantile(0.25)
    Q3 = df.quantile(0.75)
    IQR = Q3 - Q1
    trueList = ~((df < (Q1 - 1.5 * IQR)) |(df > (Q3 + 1.5 * IQR)))
    return trueList

基于上述消除函数,可以根据数据集的统计内容得到离群值的子集:

# Arbitrary Dataset for the Example
df = pd.DataFrame('Data':np.random.normal(size=200))

# Index List of Non-Outliers
nonOutlierList = Remove_Outlier_Indices(df)

# Non-Outlier Subset of the Given Dataset
dfSubset = df[nonOutlierList]

【讨论】:

正是我想要的。竖起大拇指。谢谢。 如果想同时应用到多个定量列(Data1、Data2等),添加.all(1):dfSubset = df[nonOutlierList.all(1)]【参考方案2】:

我相信您可以使用异常值创建一个布尔过滤器,然后选择它的反面。

outliers = stats.zscore(df['_source.price']).apply(lambda x: np.abs(x) == 3)
df_without_outliers = df[~outliers]

【讨论】:

【参考方案3】:

遇到此类问题时使用此布尔值:

df=pd.DataFrame('Data':np.random.normal(size=200))  #example 
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 the other way around

【讨论】:

AttributeError: 'DataFrame' object has no attribute 'Data' @Nairum Data 是被访问的df 的列。需要对其进行更改以适合您要在其中检测异常值的特定 DataFrame 的实际列。

以上是关于熊猫数据框 - 删除异常值[重复]的主要内容,如果未能解决你的问题,请参考以下文章

如何一次性检测和删除熊猫数据帧每一列的异常值? [复制]

在大熊猫DataFrame中按组删除异常值的更快方法[重复]

删除熊猫数据框中包含特定值的列和行[重复]

删除熊猫数据框中具有特定值的行[重复]

我正在尝试使用熊猫删除重复的连续元素并保留数据框中的最后一个值

删除数据框中列的每个因子的异常值