熊猫数据框 - 删除异常值[重复]

Posted 2023-03-10

【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()

是

True

为什么会出现上述异常，如何排除异常值？

【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]

【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。