python - 用 pandas 识别统计异常值 : groupby and individual columns

Question

我正在尝试了解如何识别我将发送到电子表格的统计异常值。我需要按索引对行进行分组，然后找到特定列的标准偏差，超出标准偏差的任何内容都将用于填充电子表格。

df = pandas.DataFrame({'Sex': ['M','M','M','F','F','F','F'], 'Age': [33,42,19,64,12,30,32], 'Height': ['163','167','184','164','162','158','160'],})

我想使用这样的数据集按性别分组，然后找到超过年龄或高度标准偏差的条目。我见过的大多数示例都是针对整个数据集的标准偏差，而不是按列分割。还会有其他列，例如状态，所以我不需要每一列的 stdev，只需要集合中的特定列。

寻找输出以仅包含在任一列中被标识为统计异常值的行的数据。例如:

0  M  64  164
1  M  19  184

假设 64 岁超过男性高度标准偏差，184 厘米高度超过男性高度标准偏差

Answer 1

首先，将您的高度从字符串转换为数值。

df['Height'] = df['Height'].astype(float)

然后，您需要使用 transform 对 Sex 进行分组，以创建一个 bool 指示器标记​​ any Age或 Height 是组内的统计异常值。

stds = 1.0  # Number of standard deviation that defines 'outlier'.
z = df[['Sex', 'Age', 'Height']].groupby('Sex').transform(
    lambda group: (group - group.mean()).div(group.std()))
outliers = z.abs() > stds
>>> outliers
     Age Height
0  False  False
1  False  False
2   True   True
3   True   True
4   True  False
5  False   True
6  False  False

现在过滤包含任何离群值的行:

>>> df[outliers.any(axis=1)]
   Age  Height Sex
2   19     184   M
3   64     164   F
4   12     162   F
5   30     158   F

如果您只关心分布的上行(即值 > 均值 + 2 SD)，则只需删除 .abs()，即 lambda 组:(group - group .mean()).div(group.std()).abs() > 标准差