原标题:Python数据处理:异常值处理方法之3σ原则
一、3σ原则定义
异常值是指样本中的个别值,其数值明显偏离其余的观测值。异常值也称离群点,异常值的分析也称为离群点的分析。
在进行机器学习过程中,需要对数据集进行异常值剔除或者修正,以便后续更好地进行信息挖掘。
对于异常值的处理,3σ原则是最常使用的一种处理数据异常值的方法。那么,什么叫3σ原则呢?
3σ原则,又叫拉依达原则,它是指假设一组检测数据中只含有随机误差,需要对其进行计算得到标准偏差,按一定概率确定一个区间,对于超过这个区间的误差,就不属于随机误差而是粗大误差,需要将含有该误差的数据进行剔除。
其局限性:仅局限于对正态或近似正态分布的样本数据处理,它是以测量次数充分大为前提(样本>10),当测量次数少的情形用准则剔除粗大误差是不够可靠的。在测量次数较少的情况下,最好不要选用该准则。
3σ原则:
数值分布在(μ-σ,μ+σ)中的概率为0.6827
数值分布在(μ-2σ,μ+2σ)中的概率为0.9545
数值分布在(μ-3σ,μ+3σ)中的概率为0.9973
其中, μ为平均值,σ为标准差。
一般可以认为,数据Y的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅占不到0.3%,这些超出该范围的数据可以认为是异常值。
对于正态分布而言,数据大概分布如图所示:
深蓝色区域是距平均值小于一个标准差之内的数值范围。在正态分布中,此范围所占比率为全部数值之68%,根据正态分布,两个标准差之内的比率合起来为95%;三个标准差之内的比率合起来为99%。
二、3σ原则作用
异常值检测是机器学习中重要的一部分,它的任务是发现与大部分其他对象显著不同的对象。大部分机器学习过程都将这种差异信息视为噪声而丢弃。
三、Python实现步骤
具体步骤如下:
首先需要保证数据列大致上服从正态分布;
计算需要检验的数据列的平均值和标准差;
比较数据列的每个值与平均值的偏差是否超过3倍,如果超过3倍,则为异常值;
剔除异常值,得到规范的数据。
1
importnumpy
asnp
2importpandas aspd
3fromscipy importstats
4
5
6# 创建数据
7data = [ 1222, 87, 77, 92, 68, 80, 78, 84, 77, 81, 80, 80, 77, 92, 86,
876, 80, 81, 75, 77, 72, 81, 72, 84, 86, 80, 68, 77, 87,
976, 77, 78, 92, 75, 80, 78, 123, 3, 1223, 1232]
10df = pd.DataFrame(data,columns = [ 'value'])
11
12# 计算均值
13u = df[ 'value'].mean
14
15# 计算标准差
16std = df[ 'value'].std
17
18print(stats.kstest(df, 'norm', (u, std)))
19# 此时,pvalue > 0.05,不拒绝原假设。因此上面的数据服从正态分布
20print( '均值为:%.3f,标准差为:%.3f'% (u,std))
21print( '------')
22
23
24# 定义3σ法则识别异常值
25# 识别异常值
26error = df[np.abs(df[ 'value'] - u) > 3*std]
27# 剔除异常值,保留正常的数据
28data_c = df[np.abs(df[ 'value'] - u) <= 3*std]
29
30# 输出正常的数据
31print(data_c)
32# 输出异常数据
33print(error) 返回搜狐,查看更多
责任编辑: