Question

我正在关注此链接以删除异常值，但这里的某些内容在逻辑上是错误的。

Remove Outliers in Pandas DataFrame using Percentiles

我有一个数据集，第一列为“id”，最后一列为“label”。

这是我的代码片段，我将删除label和id列，然后附加它：

def processing_data(train_data,test_data):
    #computing percentiles.
    low = .05
    high = .95
    filt_df = train_data.loc[:, train_data.columns != 'id']
    filt_df= filt_df.loc[:, filt_df.columns != 'label']
    quant_df = filt_df.quantile([low, high])
    print(quant_df)

    #filtering values based on computed percentiles. To do that use an apply by columns.
    print("Before removing outlier",filt_df,filt_df.shape)
    train_data1 = filt_df.apply(lambda x: x[(x>=quant_df.loc[low,x.name]) & (x <=quant_df.loc[high,x.name])], axis=0)
    print("After removing outlier,",train_data1,train_data1.shape)
    print(train_data1.isnull().sum())
    train_data1= pd.concat([train_data.loc[:,'id'], train_data1], axis=1)
    train_data=pd.concat([train_data.loc[:,'label'], train_data1], axis=1)
    #train_data.dropna(inplace=True)

    #train_data.fillna(0)
    #test_data.fillna(0)
    #print(train_data)
    #print(np.isnan(train_data).any().sum())
    return train_data,test_data

输出：所有行都包含一些NaN值，当我这样做时 train_data.dropna（inplace = True）删除所有行。奇怪!!

我该如何解决这个问题？当我在异常值处理后连接并标记列时，我觉得有些东西可疑吗？

这是数据集：

id  feature0    feature1    feature2    feature3    feature4    feature249  label
0   25.20824887 -16.7457484 50.86994402 5.593471686 1.188262678   1
1   -86.93144987    0.428227194 2.87483597  -8.064850183    6.056867093     2 
2   42.16093367 7.85701304  151.6127571 9.639675583 5.570138511             0
3   20.66694385 8.680641918 -56.44917913    -9.814779803    -2.382979151    1
4   35.9466789  4.57373573  -28.16021186    -6.91297056 4.879375409         0

Answer 1

当我用您的示例运行您的代码时，出现了ValueError。我发现了一个问题，该问题提到使用float数据帧元素，分位数在返回NaN或ValueError https://github.com/pandas-dev/pandas/issues/14564时具有不稳定的行为。我认为在这种情况下，它是249列，而其余部分是浮点数。当我filt_df = pd.DataFrame(filt_df, dtype=float)强制所有列浮动时，它运行良好。

每行中的NaN都是按低和高过滤后放置的内容。在此示例中，每一行的确有至少一个值超出了.05 / .95边界（您的数据可能比您想象的要平坦得多）。这意味着当您dropna并将其默认设置为“ any”时，所有行都将被删除。您可以通过将“ any”更改为“ all”或其他选项来更改dropna的运行方式。更好地调整上限/下限，使其更符合数据的传播范围。请记住，即使您的界限与添加的每一列都是排他性的，也越来越有可能每一行中至少有一个值超出这些界限。

使用百分位数从pandas数据框中删除异常值

1 个答案: