Question

我对R很陌生，以至于我无法在其他人的问题中找到我需要的东西。我认为我的问题非常简单，没有其他人愿意提出这个问题。

创建一个新数据框的最简单的代码是什么，它排除了单变量异常值的数据（我将它们定义为从它们的条件的平均值为3个SD的点），在它们的条件下，在某个变量上？ / p>

我很尴尬地展示我尝试过的东西，但这里是

greaterthan <- mean(dat$var2[dat$condition=="one"]) + 
               2.5*(sd(dat$var2[dat$condition=="one"]))
lessthan    <- mean(dat$var2[dat$condition=="one"]) -
               2.5*(sd(dat$var2[dat$condition=="one"]))   

withoutliersremovedone1 <-dat$var2[dat$condition=="one"] < greaterthan

我几乎已经被困在那里了。

由于

Answer 1

> dat <- data.frame(
                    var1=sample(letters[1:2],10,replace=TRUE),
                    var2=c(1,2,3,1,2,3,102,3,1,2)
                   )
> dat
   var1 var2
1     b    1
2     a    2
3     a    3
4     a    1
5     b    2
6     b    3
7     a  102 #outlier
8     b    3
9     b    1
10    a    2

现在只返回那些不是（!）大于2 abs olute sd的行，而是从相关变量的mean开始。显然，将2更改为您希望成为截止日期的sd。

> dat[!(abs(dat$var2 - mean(dat$var2))/sd(dat$var2)) > 2,]
   var1 var2
1     b    1
2     a    2
3     a    3
4     a    1
5     b    2
6     b    3 # no outlier
8     b    3 # between here
9     b    1
10    a    2

使用scale功能更简洁：

dat[!abs(scale(dat$var2)) > 2,]

   var1 var2
1     b    1
2     a    2
3     a    3
4     a    1
5     b    2
6     b    3
8     b    3
9     b    1
10    a    2

修改

这可以扩展到使用by
在群组中查找
do.call(rbind,by(dat,dat$var1,function(x) x[!abs(scale(x$var2)) > 2,] ))

这假定dat$var1是定义每行所属组的变量。

Answer 2

我使用robustHD包中的winsorize()函数执行此任务。这是它的例子：

R> example(winsorize)

winsrzR> ## generate data
winsrzR> set.seed(1234)     # for reproducibility

winsrzR> x <- rnorm(10)     # standard normal

winsrzR> x[1] <- x[1] * 10  # introduce outlier

winsrzR> ## winsorize data
winsrzR> x
 [1] -12.070657   0.277429   1.084441  -2.345698   0.429125   0.506056  
 [7]  -0.574740  -0.546632  -0.564452  -0.890038

winsrzR> winsorize(x)
 [1] -3.250372  0.277429  1.084441 -2.345698  0.429125  0.506056 
 [7] -0.574740 -0.546632 -0.564452 -0.890038

winsrzR>

默认为中位数+/- 2 mad，但您可以设置平均值+/- 3 sd的参数。

从数据帧中删除单变量异常值（+ -3 SD）

2 个答案: