Python实现数据平滑与离群点筛选

数据平滑

假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40, 45, 46, 52, 70。

1. 使用按箱平均值平滑法对以上数据进行平滑，箱的深度为3。
2. 使用按箱中值平滑法对以上数据进行平滑，箱的深度为3。
3. 使用按箱边界值平滑法对以上数据进行平滑，箱的深度为3。

离群点筛选

找出其中的离群点，即1.5倍IQR之外的点

代码

import pandas as pd
import numpy as np

def read_data(path):
    dataset = pd.read_excel(path, header=None)
    data = dataset.iloc[:, 0].values
    return np.array(data)

def init_boxes(data, depth=3):
    data_sorted = np.sort(data)
    boxes = data_sorted.reshape(data.size // depth, depth)
    return boxes

def mean_boxes_smooth(boxes):
    # 箱平均值平滑法
    mean = np.mean(boxes, axis=1).reshape(boxes.shape[0], 1)
    mean_boxes = mean.repeat(boxes.shape[1], axis=1)
    return mean_boxes

def median_boxes_smooth(boxes):
    # 箱中值平滑法
    median = np.median(boxes, axis=1).reshape(boxes.shape[0], 1)
    median_boxes = median.repeat(boxes.shape[1], axis=1)
    return median_boxes

def border_boxes_smooth(boxes):
    # 箱边界值平滑法
    lborder = boxes[:, 0].reshape(boxes.shape[0], 1)
    rborder = boxes[:, -1].reshape(boxes.shape[0], 1)
    ldis = boxes - lborder
    rdis = rborder - boxes
    if_lb = (ldis - rdis) <= 0
    border_boxes = lborder*np.int32(if_lb) + rborder*np.int32(~if_lb)
    return border_boxes

def detect_outliers(data):
    x = np.sort(data)
    Q1 = np.percentile(x, 25)
    Q3 = np.percentile(x, 75)
    IQR = Q3 - Q1
    lb = Q1 - 1.5*IQR
    rb = Q3 + 1.5*IQR
    outliers = x[(x < lb) | (x > rb)]
    return outliers
    

if __name__ == "__main__":
    data = read_data(path="age.xlsx")
    boxes = init_boxes(data, depth=3)
    print("boxes:\n" + str(boxes))
    mean_boxes = mean_boxes_smooth(boxes)
    print("箱平均值平滑法:\n" + str(mean_boxes))
    median_boxes = median_boxes_smooth(boxes)
    print("箱中值平滑法:\n" + str(median_boxes))
    border_boxes = border_boxes_smooth(boxes)
    print("箱边界值平滑法:\n" + str(border_boxes))
    outliers = detect_outliers(data)
    print("离群点:\n" + str(outliers))

数据样例：