在数据研究中,通常可以发现,数据整体总是呈现一种统计概率分布。但是,仍有少量样本偏离总体,在总体规律中有不合理的表现,这样的样本点被称为'异常值'或者'离群点'。
分析研究人员在不同领域对待异常点的态度也不相同,一方面,异常点可能会对样本总体造成偏移,或者有些算法对异常点尤其敏感,就会造成拟合的统计模型发生偏差,影响效果;另一方面,异常点在某一些行业被研究者重视,疾病监测(异常点可能代表疾病情况),信用欺诈(异常点可能代表欺诈行为)等。
因此,异常点的检测和处理要慎重,要根据分析场景采取不同的处理措施。
1、异常点检测
异常点的检测按照处理方式可以分为图形法和模型法。图形法主要是借助箱线图或者正态分布图来判断,而模型法主要是建立总体模型,偏离模型的鉴定为异常点。
1.1 数据错误
我们知道,数据一定要在具体的场景下去应用,每个变量都有其各自的意义,不然数据就变得没有“枯燥”。因此,数据检测第一步可以从数据指标的含义入手,检测是否符合本身的业务含义。比如,'age'年龄字段,一般年龄均在0至100之间,如果出现了-10或者200等这样不合逻辑的数值,一定是数值出现了异常,需要处理。
简言之,数值需要符合变量的业务含义,不合逻辑需要处理。
# 数值型指标的分位数描述
df.describe()
1.2 箱线图
箱线图是识别数据异常