从熊猫数据框python中删除异常值

Question

我有一个使用 pandas 创建数据框的代码

import pandas as pd
import numpy as np

x = (g[0].time[:111673])
y = (g[0].data.f[:111673])
df = pd.DataFrame({'Time': x, 'Data': y})
#df

打印出来：

          Data          Time
0        -0.704239      7.304021
1        -0.704239      7.352021
2        -0.704239      7.400021
3        -0.704239      7.448021
4        -0.825279      7.496021

这很好，但我知道我想删除这些数据中的异常值，所以我在下面创建了这个数据框来指出它们：

newdf = df.copy()
Data = newdf.groupby('Data')
newdf[np.abs(newdf.Data-newdf.Data.mean())<=(3*newdf.Data.std())]
newdf['Outlier'] = Data.transform( lambda x: abs(x-x.mean()) > 1.96*x.std() )
#newdf

打印出来：

             Data          Time  Outlier
0        -0.704239      7.304021    False
1        -0.704239      7.352021    False
2        -0.704239      7.400021    False
3        -0.704239      7.448021    False
4        -0.825279      7.496021    False

在我的数据示例中，您看不到它，但可能有 300 个异常值，我想删除它们而不弄乱原始数据框，然后将它们一起绘制为压缩。 我的问题是这样的：那么，我怎样才能消除真实的异常值，而不是打印出 false/true 呢？所以我最终可以将它们绘制在同一张图中进行比较。

我已经尝试过的代码：

newdf[np.abs(newdf.Data-newdf.Data.mean())<=(1.96*newdf.Data.std())]

newdf = df.copy()
def replace_outliers_with_nan(df, stdvs):
    newdf=pd.DataFrame()
    for i, col in enumerate(df.sites.unique()):
        df = pd.DataFrame(df[df.sites==col])
        idx = [np.abs(df-df.mean())<=(stdvs*df.std())] 
        df[idx==False]=np.nan  
        newdf[col] = df
    return newdf

这两个都不起作用，它们返回的数据点数量与我的原始数据帧相同，但是我知道如果它删除了异常值，点的数量将少于原始数据。

Answer 1

看来您需要boolean indexing 和~ 来反转条件，因为只需要过滤异常值行（并删除异常值）：

df1 = df[~df.groupby('Data').transform( lambda x: abs(x-x.mean()) > 1.96*x.std()).values]
print (df1)
       Data      Time
0 -0.704239  7.304021
1 -0.704239  7.352021
2 -0.704239  7.400021
3 -0.704239  7.448021
4 -0.825279  7.496021