异常值
数据预处理第一步,通常是对异常值的处理。首先,要得到数据的上四分位数和下四分位数,利用np.percentile()
,用法如下。
import numpy as np
x = np.array([[1,2,3],[7,8,9]])
Q1 = np.percentile(x,25) # 1st quartile
Q3 = np.percentile(x,75) # 3st quartile
假设数据集是x = [1, 2, 3, ..., 98, 99, 10000]
,显然最后一个数10000是一个超限点。它的Q1 = 25, Q3 = 75,四分位距IQR(the interquartile range)=Q1 - Q3。若上下界分别扩大0.5倍,令k = 1.5
为high = Q3 + k * (Q3 - Q1)
,下界为low = Q1 - k * (Q3 - Q1)
,即上界为-50下界为150,显然10000超限。如果想调整上界下界的范围,调整系数即可。
对于一个矩阵df
,按列循环找到每列数据的异常值,如果某个样本含有n个以上的超限特征,返回行号。