Question

我试图了解如何识别我将发送到电子表格的统计异常值。我需要按索引对行进行分组，然后找到特定列的stdev，超出stdev的任何内容都将用于填充电子表格。

df = pandas.DataFrame({'Sex': ['M','M','M','F','F','F','F'], 'Age': [33,42,19,64,12,30,32], 'Height': ['163','167','184','164','162','158','160'],})

使用这样的数据集我想按性别分组，然后找到超过年龄或身高的条目的条目。我见过的大多数例子都是针对整个数据集的stdev，而不是按列分解。还会有其他列，例如州，所以我不需要每个列的stdev只是特定的列。

查找输出以仅包含在任一列中标识为统计异常值的行的数据。例如：

0  M  64  164
1  M  19  184

假设64岁超过男子高度设定的身高，184厘米身高超过男子身高的标准

Answer 1

首先，将您的身高从字符串转换为值。

df['Height'] = df['Height'].astype(float)

然后，您需要使用Sex对transform进行分组，以创建一个布尔指示符，标记任何 Age或Height是否为统计信息小组内的异常值。

stds = 1.0  # Number of standard deviation that defines 'outlier'.
z = df[['Sex', 'Age', 'Height']].groupby('Sex').transform(
    lambda group: (group - group.mean()).div(group.std()))
outliers = z.abs() > stds
>>> outliers
     Age Height
0  False  False
1  False  False
2   True   True
3   True   True
4   True  False
5  False   True
6  False  False

现在过滤包含任何异常值的行：

>>> df[outliers.any(axis=1)]
   Age  Height Sex
2   19     184   M
3   64     164   F
4   12     162   F
5   30     158   F

如果您只关心分布的优势（即值＆gt;意味着+ 2 SD），那么只需删除.abs()，即lambda group: (group - group.mean()).div(group.std()).abs() > stds

使用pandas识别统计异常值：groupby和individual columns

1 个答案: