python - 使用百分位数从 pandas 数据框中删除异常值

Question

我正在访问此链接以删除异常值，但这里在逻辑上有些错误..

Remove Outliers in Pandas DataFrame using Percentiles

我有一个数据集，第一列为“id”，最后一列为“label”。

这是我删除 label 和 id 列然后附加它们的代码:

def processing_data(train_data,test_data):
    #computing percentiles.
    low = .05
    high = .95
    filt_df = train_data.loc[:, train_data.columns != 'id']
    filt_df= filt_df.loc[:, filt_df.columns != 'label']
    quant_df = filt_df.quantile([low, high])
    print(quant_df)

    #filtering values based on computed percentiles. To do that use an apply by columns.
    print("Before removing outlier",filt_df,filt_df.shape)
    train_data1 = filt_df.apply(lambda x: x[(x>=quant_df.loc[low,x.name]) & (x <=quant_df.loc[high,x.name])], axis=0)
    print("After removing outlier,",train_data1,train_data1.shape)
    print(train_data1.isnull().sum())
    train_data1= pd.concat([train_data.loc[:,'id'], train_data1], axis=1)
    train_data=pd.concat([train_data.loc[:,'label'], train_data1], axis=1)
    #train_data.dropna(inplace=True)

    #train_data.fillna(0)
    #test_data.fillna(0)
    #print(train_data)
    #print(np.isnan(train_data).any().sum())
    return train_data,test_data

输出:所有行都包含一些 NaN 值，当我这样做时 train_data.dropna(inplace=True) 删除所有行。 奇怪!!

我该如何解决这个问题？当我在异常值处理后连接 id 和标签列时，我觉得那里有些可疑？

这是数据集:

id  feature0    feature1    feature2    feature3    feature4    feature249  label
0   25.20824887 -16.7457484 50.86994402 5.593471686 1.188262678   1
1   -86.93144987    0.428227194 2.87483597  -8.064850183    6.056867093     2 
2   42.16093367 7.85701304  151.6127571 9.639675583 5.570138511             0
3   20.66694385 8.680641918 -56.44917913    -9.814779803    -2.382979151    1
4   35.9466789  4.57373573  -28.16021186    -6.91297056 4.879375409         0

Answer 1

当我用你的例子运行你的代码时，我得到了一个 ValueError。我发现这个问题提到使用 float 据帧元素分位数具有不稳定的行为，它返回 NaNs 或 ValueError https://github.com/pandas-dev/pandas/issues/14564 。我认为在这种情况下它是 249 列，它是 int 而其余的是 float 。当我 filt_df = pd.DataFrame(filt_df, dtype=float) 强制所有列 float 时，它运行良好。

每行中的 NaN 是您按低值和高值过滤时放置的值。示例中的每一行都至少有一个值超出了您的 .05/.95 边界(您的数据可能比您想象的要扁平得多)。这意味着当你 dropna 并且它默认为“任何”时，所有行都将被删除。您可以通过将“任何”更改为“全部”或其他选项来更改 dropna 的操作方式。可能更好地调整您的上限/下限以更符合您的数据传播。请记住，即使您的边界与每个添加的列都非常排他，但越来越有可能在每一行中至少有一个值落在这些边界之外。