我可以使用标准差分析来识别具有数值的列的异常值。但是基于离散/文本的值呢？
例如，值是＆＃34;蓝＆＃34;在这种情况下的异常值？ 表X中的8条记录，其值为＆＃34;紫色＆＃34; 表X中的5条记录，其值为＆＃34;红色＆＃34; 表X中的3条记录的值为＆＃34;绿色＆＃34; 表X中的2条记录，其值为＆＃34;蓝色＆＃34; 在这种情况下，我的观点是否定的，＆＃34;蓝色＆＃34;不是异常值。
使用另一个例子： 表X中的451条记录的值为＆＃34;紫色＆＃34; 表X中的345条记录的值为＆＃34;红色＆＃34; 表X中的233条记录的值为＆＃34;绿色＆＃34; 表X中的2条记录，其值为＆＃34;蓝色＆＃34; 在这种情况下，＆＃34;蓝＆＃34;肯定是异常值。这并不是说它必然是无效的，只是在人迹罕至的道路上。
如果可能的话，我希望提出的是：＆＃34; Blue＆＃34;得到标记，因为它的出现频率是平均值的3个标准差...
答案 0 :(得分：0)
这不完全是你所要求的，但你可以使用卡方拟合优度测试来比较你的分布与另一个分布（可能是你知道的或你假设的分布）。 http://stattrek.com/chi-square-test/goodness-of-fit.aspx