Удалить выбросы из определенного столбца - PullRequest
Новая
       13

Удалить выбросы из определенного столбца

2 голосов
/ 20 марта 2019

У меня есть Dataframe с именем bids_data

bids_data: 

  Supplier_ID  shiper_RFQ
----------
0    2305      5000
1    2309      5200
2    2305      6500 
3    2307      4500
4    2301      900
5    2302      10000
6    2306      4500

, и я хочу удалить строки выбросов из shiper_RFQ и сохранить их в другом кадре данных.Я попытался преобразовать shiper_RFQ в список и затем найти выбросы, но это не сработало.

Ответы [ 2 ]

1 голос
/ 20 марта 2019

если у вас есть хорошие данные, используйте threshold = 0.5

threshold = 1
print(df[df['shiper_RFQ'].apply(lambda x: np.abs(x - df['shiper_RFQ'].mean()) / df['shiper_RFQ'].std() < threshold)])

также это 

 df = df[ np.abs(df['shiper_RFQ'] - df['shiper_RFQ'].mean()) / df['shiper_RFQ'].std() < threshold]

оба будут иметь одинаковый результат

выход 

   Supplier_ID  shiper_RFQ
0         2305        5000
1         2309        5200
2         2305        6500
3         2307        4500
6         2306        4500

если вы печатаете, вы можете увидеть аномалию 

print(df['shiper_RFQ'].apply(lambda x: np.abs(x - df['shiper_RFQ'].mean()) / df['shiper_RFQ'].std()))

0    0.084182
1    0.010523
2    0.468261
3    0.268329
4    1.594192
5    1.757294
6    0.268329
1 голос
/ 20 марта 2019

Вы можете определить выбросы, найдя строки, которые отличаются от среднего значения столбца более чем на 1,5 стандартных отклонения (или любого другого значения отсечения, которое вы выберете): 

df['outliers'] = 0
df.loc[(df.shiper_RFQ - df.shiper_RFQ.mean()).abs() > 1.5*df.shiper_RFQ.std(), 'outliers'] = 1
print(df)

   Supplier_ID  shiper_RFQ  outliers
0         2305        5000         0
1         2309        5200         0
2         2305        6500         0
3         2307        4500         0
4         2301         900         1
5         2302       10000         1
6         2306        4500         0

Тогда вы можетесохраните их в другом фрейме данных и удалите их из оригинала: 

df2 = df[df.outliers == 1].reset_index(drop=True)
df = df[df.outliers == 0].reset_index(drop=True)
print(df2)
print(df)

   Supplier_ID  shiper_RFQ  outliers
0         2301         900         1
1         2302       10000         1

   Supplier_ID  shiper_RFQ  outliers
0         2305        5000         0
1         2309        5200         0
2         2305        6500         0
3         2307        4500         0
4         2306        4500         0
...