Question

我有一个大熊猫数据框，我想分成小组，计算平均值和标准差，然后用组的平均值替换所有异常值。如果异常值远离组平均值超过3个标准差，则定义异常值。

df = pandas.DataFrame({'a': ['A','A','A','B','B','B','B'], 'b': [1.1,1.2,1.1,3.3,3.4,3.3,100.0]})

我认为以下内容可行：

df.groupby('a')['b'].transform(lambda x: x[i] if np.abs(x[i]-x.mean())<=(3*x.std()) else x.mean() for i in range(0,len(x)))

但收到以下错误：

NameError：name＆＃39; x＆＃39;未定义

我也试过单独定义转换函数：

def trans_func(x):
    mean = x.mean()
    std = x.std()
    length = len(x)
    for i in range(0,length):
        if abs(x[i]-mean)<=(3*std):
            return x
        else:
            return mean

然后像这样调用它：

df.groupby('a')['b'].transform(lambda x: trans_func(x))

但是我得到了一个不同的错误：

KeyError：0

最后，我完全创建了一个单独的专栏：

df['c'] = [df.groupby('a')['b'].transform(mean) if df.groupby('a')['b'].transform(lambda x: (x - x.mean()) / x.std()) > 3 else df['b']]

但这还没有奏效：

ValueError：系列的真值是不明确的。使用a.empty，a.bool（），a.item（），a.any（）或a.all（）。

任何建议都非常感谢。

Answer 1

试试这个：

def replace(group):
    mean, std = group.mean(), group.std()
    outliers = (group - mean).abs() > 3*std
    group[outliers] = mean        # or "group[~outliers].mean()"
    return group

df.groupby('a').transform(replace)

注意：如果您要删除上一组中的100，则可以仅3*std替换1*std。该组的标准偏差为48.33，因此它将包含在结果中。

Answer 2

首先删除异常值，然后计算要替换的组均值会更合适。如果用离群值计算替换均值，则该均值会受到离群值的影响

Answer 3

希望这会有所帮助：

步骤1，移除异常值（来自pandas group by remove outliers的引用）：

def is_outlier(s):
    lower_limit = s.mean() - (s.std() * 3)
    upper_limit = s.mean() + (s.std() * 3)
    return ~s.between(lower_limit, upper_limit)

df = df[~df.groupby('a')['count'].apply(is_outlier)]

第2步，替换异常值（来自裂解酶的引用）：

def replace(group):
    mean, std = group.mean(), group.std()
    outliers = (group - mean).abs() > 3*std
    group[outliers] = mean        # or "group[~outliers].mean()"
    return group

df.groupby('a').transform(replace)

熊猫 - 用groupby替换异常值

3 个答案: