R语言异常值处理方法总结

文章分为两个部分，缺失值诊断和缺失值处理。所用到的R包为mice、VIM、mvoutlier

一、异常值诊断

（1）通过箱线图呈现噪声值。这种该方法可以查看明显的噪声值，但无法提供索引，无法在数据中准确定位噪声值。

（2）聚类方法诊断

为每个观测值聚类，计算与聚类中心距离。距离最大的N类（自定）被诊断为异常值。

（3）聚类方法发现强影响变量

m<-(scale(orgData2)-centers)[outliers,]
m0<-apply(m,2,sd)
m0<-m0/sum(m0)
m2<-abs(m)/apply(abs(m),1,sum)
m3<-t(m0*t(m2))
m3<-m3/apply(m3,1,sum)
#设置最小影响强度
minInf<-0.4
m3[m3>=minInf]<-1
m3[m3 orgData2[outliers,]

（4）回归方法诊断噪声值

这种方法必须提前处理缺失值。如用 mice中的多重插补法，或直接忽略。处理完缺失值后，建立线性回归模型。

a. 残差拟合图

b. QQ图

c. 标准化后的残差拟合值图

d. cook距离判断噪声值。一般来说，cook=4/(n-k-1)，其中n为观测数，k为变量数（不包括常数项）。计算每个观测的cook距离，若观测cook值明显大于计算出的cook，则可认为是异常点。

二、异常值处理

（1）等宽分箱平滑

这种方法将属性值按照最大最小值，等距地分为N份。用每一份中的平均值或中位数，替换异常值，进行平滑处理。使用cut函数，如cut(orgData4$Gest,4)。

（2）等比分箱平滑

思路与等宽分箱类似。不同之处在于，等比分箱采用分位数进行分箱处理。如quantile(orgData4$Gest,probs=seq(0,1,1/4))。若按此种方法分，分割值为第一分位数、中位数和第三中位数。这种方法较等宽分箱的优势在于，数据在箱中分布较为均匀，得出箱中的平均数或中位数，可以较好地替换平滑异常值。

（3）直接删除法

（4）回归拟合法

前面可以用利用大于计算出的cook值的方法发现异常值。发现异常值后，用线性回归模型的拟合值进行代替。我对这种方法用一个疑虑。回归模型的建立是包含异常值的，但用包含异常值拟合的模型去拟合异常值，会不会产生结果的失真？或许可以采用处理缺失值类似的方法，先剔除异常值的影响，重新建模，用剔除异常值的模型与拟合异常值。