web-dev-qa-db-ja.com

使用方法pandas IQRでフィルター？

IQR（Q1-1.5IQRとQ3 + 1.5IQRの間の値）で列をフィルタリングする組み込みの方法はありますか？また、pandasで推奨される他の一般的なフィルタリングも歓迎します。

pythonpandasdata-processingiqr
23
Qijun Liu

私の知る限り、最もコンパクトな表記法はqueryメソッドによってもたらされるようです。

# Some test data
np.random.seed(33454)
df = (
    # A standard distribution
    pd.DataFrame({'nb': np.random.randint(0, 100, 20)})
        # Adding some outliers
        .append(pd.DataFrame({'nb': np.random.randint(100, 200, 2)}))
        # Reseting the index
        .reset_index(drop=True)
    )

# Computing IQR
Q1 = df['nb'].quantile(0.25)
Q3 = df['nb'].quantile(0.75)
IQR = Q3 - Q1

# Filtering Values between Q1-1.5IQR and Q3+1.5IQR
filtered = df.query('(@Q1 - 1.5 * @IQR) <= nb <= (@Q3 + 1.5 * @IQR)')

次に、結果をプロットして違いを確認します。左の箱ひげ図の外れ値（183の十字）は、フィルター処理された系列にはもう現れないことがわかります。

# Ploting the result to check the difference
df.join(filtered, rsuffix='_filtered').boxplot()

Comparison before and after filterinf

この回答から、このトピックで post を書いたので、より多くの情報を見つけることができました。

31
Romain

Series.between（）を使用する別のアプローチ：

iqr = df['col'][df['col'].between(df['col'].quantile(.25), df['col'].quantile(.75), inclusive=True)]

引き出された：

q1 = df['col'].quantile(.25)
q3 = df['col'].quantile(.75)
mask = d['col'].between(q1, q2, inclusive=True)
iqr = d.loc[mask, 'col']
9
MLenthousiast

これにより、df列のIQRにあるcolumnのサブセットが得られます。

def subset_by_iqr(df, column, whisker_width=1.5):
    """Remove outliers from a dataframe by column, including optional 
       whiskers, removing rows for which the column value are 
       less than Q1-1.5IQR or greater than Q3+1.5IQR.
    Args:
        df (`:obj:pd.DataFrame`): A pandas dataframe to subset
        column (str): Name of the column to calculate the subset from.
        whisker_width (float): Optional, loosen the IQR filter by a
                               factor of `whisker_width` * IQR.
    Returns:
        (`:obj:pd.DataFrame`): Filtered dataframe
    """
    # Calculate Q1, Q2 and IQR
    q1 = df[column].quantile(0.25)                 
    q3 = df[column].quantile(0.75)
    iqr = q3 - q1
    # Apply filter with respect to IQR, including optional whiskers
    filter = (df[column] >= q1 - whisker_width*iqr) & (df[column] <= q3 + whisker_width*iqr)
    return df.loc[filter]                                                     

# Example for whiskers = 1.5, as requested by the OP
df_filtered = subset_by_iqr(df, 'column_name', whisker_width=1.5)
6
kd88

また、IQRを計算して、以下のコードを使用することもできます。 IQRの下限と上限に基づいて、各列に表示される外れ値の値を置き換えます。このコードは、データフレームの各列を通過し、外れ値を見つけるために行のすべての値を調べるのではなく、外れ値のみをフィルタリングすることで1つずつ機能します。

関数：

    def mod_outlier(df):
        df1 = df.copy()
        df = df._get_numeric_data()


        q1 = df.quantile(0.25)
        q3 = df.quantile(0.75)

        iqr = q3 - q1

        lower_bound = q1 -(1.5 * iqr) 
        upper_bound = q3 +(1.5 * iqr)


        for col in col_vals:
            for i in range(0,len(df[col])):
                if df[col][i] < lower_bound[col]:            
                    df[col][i] = lower_bound[col]

                if df[col][i] > upper_bound[col]:            
                    df[col][i] = upper_bound[col]    


        for col in col_vals:
            df1[col] = df[col]

        return(df1)

関数呼び出し：

df = mod_outlier(df)
0
Ayyasamy

別のアプローチではSeries.clipを使用します。

q = s.quantile([.25, .75])
s = s[~s.clip(*q).isin(q)]

詳細は次のとおりです。

s = pd.Series(np.randon.randn(100))
q = s.quantile([.25, .75])  # calculate lower and upper bounds
s = s.clip(*q)  # assigns values outside boundary to boundary values
s = s[~s.isin(q)]  # take only observations within bounds

これを使用してデータフレーム全体dfをフィルタリングするのは簡単です。

def iqr(df, colname, bounds = [.25, .75]):
    s = df[colname]
    q = s.quantile(bounds)
    return df[~s.clip(*q).isin(q)]

注：メソッドは境界自体を除外します。

0
danek