web-dev-qa-db-ja.com

Pandasデータフレームの異常値を検出して除外する

私はいくつかの列を持つパンダデータフレームを持っています。

特定の行が特定の列の値に基づく異常値であることがわかりました。

たとえば列 - 'Vol'は12xx前後のすべての値を持ち、1つの値は4000（異常値）です。

今、私はこのように 'Vol' Columnを持つ行を除外したいと思います。そのため、基本的にデータフレームにフィルタをかけて、特定の列の値が平均から3標準偏差以内に収まるようにすべての行を選択する必要があります。

これを達成するための優雅な方法は何ですか。

pythonpandasfilteringdataframeoutliers
138
AMM

データフレームに複数の列があり、少なくとも1つの列に外れ値があるすべての行を削除する場合は、次の式を使用してそれを1回で実行できます。

df = pd.DataFrame(np.random.randn(100, 3))

from scipy import stats
df[(np.abs(stats.zscore(df)) < 3).all(axis=1)]

説明：

  • 各列について、まず列の平均値と標準偏差を基準にして、列内の各値のZスコアを計算します。
  • それは方向が問題ではないので、それはZスコアの絶対値をとります。
  • all（axis = 1）は、各行に対してすべての列が制約を満たすようにします。
  • 最後に、この条件の結果はデー​​タフレームをインデックスするのに使用されます。
147
tanemaki

numpy.arrayと同じようにbooleanインデックスを使用

df = pd.DataFrame({'Data':np.random.normal(size=200)})
# example dataset of normally distributed data. 

df[np.abs(df.Data-df.Data.mean()) <= (3*df.Data.std())]
# keep only the ones that are within +3 to -3 standard deviations in the column 'Data'.

df[~(np.abs(df.Data-df.Data.mean()) > (3*df.Data.std()))]
# or if you prefer the other way around

シリーズのためにそれは似ています：

S = pd.Series(np.random.normal(size=200))
S[~((S-S.mean()).abs() > 3*S.std())]
121
CT Zhu

各データフレーム列について、次のようにして変位値を取得できます。

q = df["col"].quantile(0.99)

それから次のものでフィルタリングします。

df[df["col"] < q]
64
user6903745

この答えは@tanemakiが提供するものと似ていますが、scipy statsの代わりにlambda式を使用します。

df = pd.DataFrame(np.random.randn(100, 3), columns=list('ABC'))

df[df.apply(lambda x: np.abs(x - x.mean()) / x.std() < 3).all(axis=1)]

1つの列（たとえば、 'B'）のみが3つの標準偏差内にあるDataFrameをフィルタリングするには、以下の手順を実行します。

df[((df.B - df.B.mean()) / df.B.std()).abs() < 3]
26
Alexander
#------------------------------------------------------------------------------
# accept a dataframe, remove outliers, return cleaned data in a new dataframe
# see http://www.itl.nist.gov/div898/handbook/prc/section1/prc16.htm
#------------------------------------------------------------------------------
def remove_outlier(df_in, col_name):
    q1 = df_in[col_name].quantile(0.25)
    q3 = df_in[col_name].quantile(0.75)
    iqr = q3-q1 #Interquartile range
    fence_low  = q1-1.5*iqr
    fence_high = q3+1.5*iqr
    df_out = df_in.loc[(df_in[col_name] > fence_low) & (df_in[col_name] < fence_high)]
    return df_out
13
user2708149

データフレーム内の各系列に対して、betweenとquantileを使用して外れ値を削除できます。

x = pd.Series(np.random.normal(size=200)) # with outliers
x = x[x.between(x.quantile(.25), x.quantile(.75))] # without outliers
8
Jeff Hernandez

scipy.statsには、順位と導入された削除値の割合に従って、外れ値を単一行に切り出すためのメソッドtrim1()およびtrimboth()があります。

7
Oleg N. Osychenko

numericalおよびnon-numerical属性を扱う回答を見たことがないので、補足的な回答を示します。

数値属性でのみ外れ値を削除することもできます（カテゴリ変数はほとんど外れ値になることはありません）。

関数定義

非数値属性も存在する場合にデータを処理するために、@ tanemakiの提案を拡張しました。

from scipy import stats

def drop_numerical_outliers(df, z_thresh=3):
    # Constrains will contain `True` or `False` depending on if it is a value below the threshold.
    constrains = df.select_dtypes(include=[np.number]) \
        .apply(lambda x: np.abs(stats.zscore(x)) < z_thresh, reduce=False) \
        .all(axis=1)
    # Drop (inplace) values set to be rejected
    df.drop(df.index[~constrains], inplace=True)

使用法

drop_numerical_outliers(df)

例

家に関するいくつかの値を含むデータセットdfを想像してください：路地、土地の輪郭、販売価格、...例： Data Documentation

まず、散布図でデータを視覚化します（z-score Thresh = 3を使用）：

# Plot data before dropping those greater than z-score 3. 
# The scatterAreaVsPrice function's definition has been removed for readability's sake.
scatterAreaVsPrice(df)

Before - Gr Liv Area Versus SalePrice

# Drop the outliers on every attributes
drop_numerical_outliers(train_df)

# Plot the result. All outliers were dropped. Note that the red points are not
# the same outliers from the first plot, but the new computed outliers based on the new data-frame.
scatterAreaVsPrice(train_df)

After - Gr Liv Area Versus SalePrice

5
KeyMaker00

別の選択肢は、異常値の影響が軽減されるようにデータを変換することです。あなたはあなたのデータを信頼することによってこれを行うことができます。

import pandas as pd
from scipy.stats import mstats
%matplotlib inline

test_data = pd.Series(range(30))
test_data.plot()

Original data

# Truncate values to the 5th and 95th percentiles
transformed_test_data = pd.Series(mstats.winsorize(test_data, limits=[0.05, 0.05])) 
transformed_test_data.plot()

Winsorized data

2
mgoldwasser

私はデータサイエンスの旅のごく初期の段階にあるので、以下のコードで外れ値を扱います。

#Outlier Treatment

def outlier_detect(df):
    for i in df.describe().columns:
        Q1=df.describe().at['25%',i]
        Q3=df.describe().at['75%',i]
        IQR=Q3 - Q1
        LTV=Q1 - 1.5 * IQR
        UTV=Q3 + 1.5 * IQR
        x=np.array(df[i])
        p=[]
        for j in x:
            if j < LTV or j>UTV:
                p.append(df[i].median())
            else:
                p.append(j)
        df[i]=p
    return df
1
Arun Gupta

メソッドチェーニングが好きなら、以下のようにすべての数値列に対するブール条件を得ることができます。

df.sub(df.mean()).div(df.std()).abs().lt(3)

各列の各値は、その標準偏差が平均値から3標準偏差以内であるかどうかに基づいてTrue/Falseに変換されます。

1
Ted Petrou

外れ値を削除するための私の機能

def drop_outliers(df, field_name):
    distance = 1.5 * (np.percentile(df[field_name], 75) - np.percentile(df[field_name], 25))
    df.drop(df[df[field_name] > distance + np.percentile(df[field_name], 75)].index, inplace=True)
    df.drop(df[df[field_name] < np.percentile(df[field_name], 25) - distance].index, inplace=True)
0
luminousmen

あなたはブールマスクを使用することができます：

import pandas as pd

def remove_outliers(df, q=0.05):
    upper = df.quantile(1-q)
    lower = df.quantile(q)
    mask = (df < upper) & (df > lower)
    return mask

t = pd.DataFrame({'train': [1,1,2,3,4,5,6,7,8,9,9],
                  'y': [1,0,0,1,1,0,0,1,1,1,0]})

mask = remove_outliers(t['train'], 0.1)

print(t[mask])

出力：

   train  y
2      2  0
3      3  1
4      4  1
5      5  0
6      6  0
7      7  1
8      8  1
0
Dima First

私たちの外れ値の限界として98と2パーセンタイルを得てください

upper_limit = np.percentile(X_train.logerror.values, 98) 
lower_limit = np.percentile(X_train.logerror.values, 2) # Filter the outliers from the dataframe
data[‘target’].loc[X_train[‘target’]>upper_limit] = upper_limit data[‘target’].loc[X_train[‘target’]<lower_limit] = lower_limit
0
Dheeraj

データと2つのグループを含む完全な例は次のとおりです。

輸入：

from StringIO import StringIO
import pandas as pd
#pandas config
pd.set_option('display.max_rows', 20)

2グループのデータ例：G1：グループ1 G2：グループ2：

TESTDATA = StringIO("""G1;G2;Value
1;A;1.6
1;A;5.1
1;A;7.1
1;A;8.1

1;B;21.1
1;B;22.1
1;B;24.1
1;B;30.6

2;A;40.6
2;A;51.1
2;A;52.1
2;A;60.6

2;B;80.1
2;B;70.6
2;B;90.6
2;B;85.1
""")

テキストデータをパンダデータフレームに読み込む：

df = pd.read_csv(TESTDATA, sep=";")

標準偏差を使用して外れ値を定義します

stds = 1.0
outliers = df[['G1', 'G2', 'Value']].groupby(['G1','G2']).transform(
           lambda group: (group - group.mean()).abs().div(group.std())) > stds

フィルタ処理されたデータ値と外れ値を定義します。

dfv = df[outliers.Value == False]
dfo = df[outliers.Value == True]

結果を印刷します。

print '\n'*5, 'All values with decimal 1 are non-outliers. In the other hand, all values with 6 in the decimal are.'
print '\nDef DATA:\n%s\n\nFiltred Values with %s stds:\n%s\n\nOutliers:\n%s' %(df, stds, dfv, dfo)
0
Wagner Cipriano

ドロップするよりクリップする方が好きです。次のものは、2番目と98番目の百分位数に固定されます。

df_list = list(df)
minPercentile = 0.02
maxPercentile = 0.98

for _ in range(numCols):
    df[df_list[_]] = df[df_list[_]].clip((df[df_list[_]].quantile(minPercentile)),(df[df_list[_]].quantile(maxPercentile)))
0
tnf