在 Python/pandas 中删除异常值（+/- 3 std）并替换为 np.nan

Question

我已经看到了几个接近解决我的问题的解决方案

link1 link2

但到目前为止，他们并没有帮助我取得成功。

我相信以下解决方案是我所需要的，但仍然出现错误（而且我没有对此发表评论/问题的声誉点）：link

（我收到以下错误，但我不明白在管理以下命令 df2=df.groupby('install_site').transform(replace) 时在哪里 .copy() 或添加“inplace=True”：

SettingWithCopyWarning： 试图在 DataFrame 中的切片副本上设置一个值。 尝试改用.loc[row_indexer,col_indexer] = value

请参阅文档中的注意事项：link

所以，我试图想出我自己的版本，但我一直卡住。来了。

我有一个按时间索引的数据框，其中包含站点列（许多不同站点的字符串值）和浮点值。

time_index            site       val

我想浏览按站点分组的“val”列，并将任何异常值（与平均值的 +/- 3 个标准偏差）替换为 NaN（对于每个组）。

当我使用以下函数时，我无法用我的真/假向量索引数据框：

def replace_outliers_with_nan(df, stdvs):
    dfnew=pd.DataFrame()
    for i, col in enumerate(df.sites.unique()):
        dftmp = pd.DataFrame(df[df.sites==col])
        idx = [np.abs(dftmp-dftmp.mean())<=(stdvs*dftmp.std())] #boolean vector of T/F's
        dftmp[idx==False]=np.nan  #this is where the problem lies, I believe
        dfnew[col] = dftmp
    return dfnew

另外，我担心上面的函数在超过 700 万行时会花费很长时间，这就是我希望使用 groupby 函数选项的原因。

Answer 1

如果我的理解正确，则无需遍历列。此解决方案将所有偏离三个组标准差以上的值替换为 NaN。

def replace(group, stds):
    group[np.abs(group - group.mean()) > stds * group.std()] = np.nan
    return group

# df is your DataFrame
df.loc[:, df.columns != group_column] = df.groupby(group_column).transform(lambda g: replace(g, 3))