python - 异常值去除 隔离森林

Question

我一直在尝试使用隔离林从数据库中删除异常值，但我不知道如何操作。我已经看过信用卡欺诈和薪资的示例，但我不知道如何将它们应用到每一列，因为我的数据库由 3862900 行和 19 列组成。我已经上传了数据库头部的图像。我不知道如何在每列上应用隔离森林，然后永久删除这些异常值。

谢谢。

Answer 1

根据docs用于检测异常值而不是删除它们

df = pd.DataFrame({'temp': [1,2,3,345,6,7,5345, 8, 9, 10, 11]})
clf = IsolationForest().fit(df['temp'].values.reshape(-1, 1)) 
clf.predict([[4], [5], [3636]])

数组([ 1, 1, -1])

从输出中可以看出，4 和 5 不是异常值，但 3636 是。

如果您想从数据框中删除异常值，您应该使用 IQR

quant = df['temp'].quantile([0.25, 0.75])
df['temp'][~df['temp'].clip(*quant).isin(quant)]

4     6
5     7
7     8
8     9
9    10

如您所见，异常值已被删除

对于整个 df

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

注意:隔离森林无法从数据集中删除异常值，它用于检测新的异常值