我正在尝试用密度图识别异常值。我目前正在使用seaborn库来绘制我的数据。我将如何识别异常值?我一直在研究使用stats库实现Z得分,这是可以在密度图中完成的唯一方法吗?
答案 0 :(得分:1)
内核密度估计是假设概率的估计 给定数据的密度函数(pdf)。现在,我们有一个问题:哪些数据点应视为异常值。离群值是罕见的数据点,即那些点 pdf极低。我们不知道pdf,但知道它的估计。因此,我们可以使用此估计来识别异常值。
因此,基本思路是:1)计算所有数据点的核密度估计; 2) 找到这些点,其估计值低于一些预定义的阈值。 后者将是异常值。
让我们写一些代码来说明这一点。
import numpy as np
# import seaborn as sns # you probably can use seaborn to get pdf-estimation values, I would use scikit-learn package for this.
from matplotlib import pyplot as plt
from sklearn.neighbors import KernelDensity
# 100 normally distributed data points and approximately 10 outliers in the end of the array.
data = np.r_[np.random.randn(100), np.random.rand(10)*100][:, np.newaxis]
# you an use kernel='gaussian' instead
kde = KernelDensity(kernel='tophat', bandwidth=0.75).fit(data)
yvals = kde.score_samples(data) # yvals are logs of pdf-values
yvals[np.isinf(yvals)] = np.nan # some values are -inf, set them to nan
# approx. 10 percent of smallest pdf-values: lets treat them as outliers
outlier_inds = np.where(yvals < np.percentile(yvals, 10))[0]
print(outlier_inds)
non_outlier_inds = np.where(yvals >= np.percentile(yvals, 10))[0]
print(non_outlier_inds)
[ 33 49 100 101 102 103 105 106 107 108 109]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 50 51 52 53 54 55
56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73
74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91
92 93 94 95 96 97 98 99 104]
# I applied log to data points because we need to visualize small (0,1) and large (up to 100) values on the same plot.
plt.plot(non_outlier_inds, np.log(data[non_outlier_inds]), 'ro',
outlier_inds, np.log(data[outlier_inds]), 'bo')
plt.gca().set_xlabel('Index')
plt.gca().set_ylabel('log(data)')
plt.show()