我有一个包含几列的 pandas 数据框。
现在我知道某些行是基于某个列值的异常值。
例如
列 'Vol' 包含
12xx附近的所有值，其中一个值为4000（异常值）。
现在我想排除那些像这样具有Vol 列的行。
所以，基本上我需要在数据框上放置一个过滤器，以便我们选择某一列的值在平均值范围内的所有行，例如，与平均值相差 3 个标准差。
有什么优雅的方法可以实现这一目标？
【问题讨论】：
标签： python pandas filtering dataframe outliers
像在 numpy.array 中一样使用 boolean 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
对于一个系列来说是类似的：
S = pd.Series(np.random.normal(size=200))
S[~((S-S.mean()).abs() > 3*S.std())]
【讨论】：
DataFrame.abs() FYI，也是DataFrame.clip()
clip()，Jeff，轮廓不会被删除：df.SOME_DATA.clip(-3std,+3std) 将轮廓分配给 +3std 或 -3std
df_new = df[np.abs(df - df.mean()) <= (3 * df.std())]。 但是与将其应用于系列或单列相比，这将用 np.nan 替换异常值并保持 DataFrame 的形状，因此可能需要插值来填充缺失值。
如果您的数据框中有多个列，并且想要删除至少一列中存在异常值的所有行，则以下表达式将一次性完成。
df = pd.DataFrame(np.random.randn(100, 3))
from scipy import stats
df[(np.abs(stats.zscore(df)) < 3).all(axis=1)]
说明：
zscore、df[0] 指定一列，然后删除.all(axis=1)。df[(np.abs(stats.zscore(df[0])) < 3)]
【讨论】：
此答案类似于@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'))
standard_deviations = 3
df[df.apply(lambda x: np.abs(x - x.mean()) / x.std() < standard_deviations)
.all(axis=1)]
过滤只有一列（例如“B”）在三个标准差内的数据框：
df[((df['B'] - df['B'].mean()) / df['B'].std()).abs() < standard_deviations]
请参阅此处了解如何滚动应用此 z 分数：Rolling Z-score applied to pandas dataframe
【讨论】：
scipy.stats 具有 trim1() 和 trimboth() 方法，可根据排名和引入的移除值百分比将异常值剔除在一行中。
【讨论】：
trimboth 对我来说是最简单的。
对于您的每个数据框列，您可以获得分位数：
q = df["col"].quantile(0.99)
然后过滤：
df[df["col"] < q]
如果需要删除上下异常值，请将条件与 AND 语句结合起来：
q_low = df["col"].quantile(0.01)
q_hi = df["col"].quantile(0.99)
df_filtered = df[(df["col"] < q_hi) & (df["col"] > q_low)]
【讨论】：
另一种选择是转换您的数据，以减轻异常值的影响。您可以通过对数据进行微调来做到这一点。
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()
【讨论】：
#------------------------------------------------------------------------------
# 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
【讨论】：
如果您喜欢方法链接，您可以像这样为所有数字列获取布尔条件：
df.sub(df.mean()).div(df.std()).abs().lt(3)
每列的每个值都将转换为True/False，具体取决于其与平均值的距离是否小于三个标准差。
【讨论】：
le(3)，因为它的删除异常值。这样你就可以得到异常值的True。除了+1，这个答案应该更高
包含数据和 2 个组的完整示例如下：
进口：
from StringIO import StringIO
import pandas as pd
#pandas config
pd.set_option('display.max_rows', 20)
2组数据示例：G1:Group 1. G2: Group 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 数据框：
df = pd.read_csv(TESTDATA, sep=";")
使用标准差定义异常值
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)
【讨论】：
我删除异常值的函数
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)
【讨论】：
我认为删除和丢弃异常值在统计上是错误的。 它使数据与原始数据不同。 也使数据形状不均，因此最好的方法是通过对数转换数据来减少或避免异常值的影响。 这对我有用：
np.log(data.iloc[:, :])
【讨论】：
我更喜欢剪辑而不是丢弃。以下将在第 2 和第 98 个百分位数处剪辑到位。
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)))
【讨论】：
由于我处于数据科学之旅的早期阶段，我正在使用以下代码处理异常值。
#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
【讨论】：
对于数据框中的每个系列，您可以使用 between 和 quantile 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
【讨论】：
将第 98 和第 2 个百分位数作为异常值的界限
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
【讨论】：
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
【讨论】：
由于我还没有看到处理 numerical 和 non-numerical 属性的答案，所以这里是一个补充答案。
您可能只想删除数值属性上的异常值（分类变量几乎不可能是异常值）。
函数定义
我已经扩展了@tanemaki 的建议，以在也存在非数字属性时处理数据：
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)
示例
想象一个数据集df，其中包含一些关于房屋的值：胡同、土地轮廓、售价……例如：Data Documentation
首先，您希望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)
【讨论】：
reduce=False 自 pandas 版本 0.23.0 起已被弃用
result_type='reduce' 替换reduce=False。
在回答实际问题之前，我们应该根据您的数据的性质询问另一个非常相关的问题：
想象一系列值[3, 2, 3, 4, 999]（其中999 似乎不适合）并分析各种异常值检测方法
这里的问题是，有问题的值严重扭曲了我们的度量 mean 和 std，导致不显眼的 z 分数大约为 [-0.5, -0.5, -0.5, -0.5, 2.0]，使每个值都保持在平均值的两个标准差内。因此，一个非常大的异常值可能会扭曲您对异常值的整体评估。我不鼓励这种方法。
一种更强大的方法是this answer，消除了底部和顶部 1% 的数据。但是，如果这些数据确实是异常值，这将消除与问题无关的固定分数。您可能会丢失大量有效数据，另一方面，如果您有超过 1 % 或 2 % 的数据作为异常值，您仍会保留一些异常值。
更强大的分位数原则版本：消除所有与数据中位数相差超过f 乘以interquartile range 的数据。例如，sklearn 的 RobustScaler 就是这样做的。 IQR 和中位数对异常值具有鲁棒性，因此您比 z-score 方法的问题更聪明。
在正态分布中，我们大致有 iqr=1.35*s，因此您可以将 z-score 过滤器的 z=3 转换为 iqr 过滤器的 f=2.22。这将删除上面示例中的999。
基本假设是您的数据至少“中间一半”是有效的并且与分布非常相似，而如果尾部与您的问题相关，您也会搞砸。
当然，还有一些花哨的数学方法，例如 Peirce criterion、Grubb's test 或 Dixon's Q-test，仅举几个也适用于非正态分布数据的方法。它们都不容易实现，因此没有进一步解决。
在示例数据框中将所有数值列的所有异常值替换为 np.nan。该方法对 pandas 提供的all dtypes 具有鲁棒性，可以轻松应用于混合类型的数据帧：
import pandas as pd
import numpy as np
# sample data of all dtypes in pandas (column 'a' has an outlier) # dtype:
df = pd.DataFrame({'a': list(np.random.rand(8)) + [123456, np.nan], # float64
'b': [0,1,2,3,np.nan,5,6,np.nan,8,9], # int64
'c': [np.nan] + list("qwertzuio"), # object
'd': [pd.to_datetime(_) for _ in range(10)], # datetime64[ns]
'e': [pd.Timedelta(_) for _ in range(10)], # timedelta[ns]
'f': [True] * 5 + [False] * 5, # bool
'g': pd.Series(list("abcbabbcaa"), dtype="category")}) # category
cols = df.select_dtypes('number').columns # limits to a (float), b (int) and e (timedelta)
df_sub = df.loc[:, cols]
# OPTION 1: z-score filter: z-score < 3
lim = np.abs((df_sub - df_sub.mean()) / df_sub.std(ddof=0)) < 3
# OPTION 2: quantile filter: discard 1% upper / lower values
lim = np.logical_or(df_sub < df_sub.quantile(0.99, numeric_only=False),
df_sub > df_sub.quantile(0.01, numeric_only=False))
# OPTION 3: iqr filter: within 2.22 IQR (equiv. to z-score < 3)
iqr = df_sub.quantile(0.75, numeric_only=False) - df_sub.quantile(0.25, numeric_only=False)
lim = np.abs((df_sub - df_sub.median()) / iqr) < 2.22
# replace outliers with nan
df.loc[:, cols] = df_sub.where(lim, np.nan)
删除包含至少一个 nan-value 的所有行：
df.dropna(subset=cols, inplace=True) # drop rows with NaN in numerical columns
# or
df.dropna(inplace=True) # drop rows with NaN in any column
使用 pandas 1.3 函数：
【讨论】：