Python 大熊猫数据帧中分组剔除异常值的快速方法
我有一个相对较大的DataFrame对象(大约一百万行,数百列),我想按组剪裁每列中的异常值。我所说的“按组剪裁每列的异常值”是指-计算组中每列的5%和95%分位数,并剪裁该分位数范围之外的值 以下是我当前使用的设置:Python 大熊猫数据帧中分组剔除异常值的快速方法,python,pandas,Python,Pandas,我有一个相对较大的DataFrame对象(大约一百万行,数百列),我想按组剪裁每列中的异常值。我所说的“按组剪裁每列的异常值”是指-计算组中每列的5%和95%分位数,并剪裁该分位数范围之外的值 以下是我当前使用的设置: def winsorize_series(s): q = s.quantile([0.05, 0.95]) if isinstance(q, pd.Series) and len(q) == 2: s[s < q.iloc[0]] = q.i
def winsorize_series(s):
q = s.quantile([0.05, 0.95])
if isinstance(q, pd.Series) and len(q) == 2:
s[s < q.iloc[0]] = q.iloc[0]
s[s > q.iloc[1]] = q.iloc[1]
return s
def winsorize_df(df):
return df.apply(winsorize_series, axis=0)
这是可行的,只是速度非常慢,可能是因为嵌套的apply
调用:每个组一个,然后每个组中的每个列一个。我试图通过一次计算所有列的分位数来摆脱第二个apply
,但在尝试用不同的值设置每个列的阈值时遇到了困难。有没有更快的方法来完成这个过程? 有一个你可以考虑使用的方法。但是请注意,它返回的值与winsorize_series的值稍有不同:
In [126]: winsorize_series(pd.Series(range(20), dtype='float'))[0]
Out[126]: 0.95000000000000007
In [127]: mstats.winsorize(pd.Series(range(20), dtype='float'), limits=[0.05, 0.05])[0]
Out[127]: 1.0
使用
mstats.winsorize
而不是winsorize\u系列
可能(取决于N、M、p)快约1.5倍:
import numpy as np
import pandas as pd
from scipy.stats import mstats
def using_mstats_df(df):
return df.apply(using_mstats, axis=0)
def using_mstats(s):
return mstats.winsorize(s, limits=[0.05, 0.05])
N, M, P = 10**5, 10, 10**2
dates = pd.date_range('2001-01-01', periods=N//P, freq='D').repeat(P)
df = pd.DataFrame(np.random.random((N, M))
, index=dates)
df.index.names = ['DATE']
grouped = df.groupby(level='DATE')
我发现了一种非常简单的方法来实现这一点,使用pandas中的transform方法
from scipy.stats import mstats
def winsorize_series(group):
return mstats.winsorize(group, limits=[lower_lim,upper_lim])
grouped = features.groupby(level='DATE')
result = grouped.transform(winsorize_series)
实现这一点的好方法是矢量化。为此,我喜欢使用
np.where
import pandas as pd
import numpy as np
from scipy.stats import mstats
import timeit
data = pd.Series(range(20), dtype='float')
def WinsorizeCustom(data):
quantiles = data.quantile([0.05, 0.95])
q_05 = quantiles.loc[0.05]
q_95 = quantiles.loc[0.95]
out = np.where(data.values <= q_05,q_05,
np.where(data >= q_95, q_95, data)
)
return out
但正如您所看到的,尽管我的函数非常快,但它离Scipy实现还很远:
%timeit WinsorizeCustom(data)
#1000 loops, best of 3: 842 µs per loop
%timeit WinsorizeStats(data)
#1000 loops, best of 3: 212 µs per loop
如果您有兴趣阅读更多有关加快pandas代码的内容,我建议您使用和。以下是一个不使用scipy.stats.mstats的解决方案:
def clip_series(s, lower, upper):
clipped = s.clip(lower=s.quantile(lower), upper=s.quantile(upper), axis=1)
return clipped
# Manage list of features to be winsorized
feature_list = list(features.columns)
for f in feature_list:
features[f] = clip_series(features[f], 0.05, 0.95)
有一个二维数组,其中行作为观察值,列作为特征。 并且,要求省略具有任何异常特征值的完整行
data = np.array([[1, 8, 13, 113, 401],
[2, 8, 15, 119, 402],
[1, 9, 14, 117, 399],
[100, 7, 12, 110, 409],
[4, 70, 11, 111, 404]
])
有任何API或函数可以这样做吗?谢谢,这是一个很好的指针,我没有意识到scipy有一个
winsorize
函数。然而,我认为,如果有一种方法可以在数据帧上批量操作,而不必逐列操作,则可以实现更大的速度,类似于批量标准化或规范化的方法,例如,每个组中的日期数是否相同?按操作分组是按日期进行的,所以每个小组只有一个日期。你的意思是问每组的行数是否相同?答案是否定的,每个日期可以(而且通常是)有不同的行数。@YT正如你在OP中提到的,pandas现在有一个.clip()
函数应该适合你,特别是当与.quantile()
结合使用时。请看我刚刚发布的这个问题,然后用clip()和quantile()回答按照@Zhang18处理缺失值的建议:您可以添加一个简短的描述吗?
%timeit WinsorizeCustom(data)
#1000 loops, best of 3: 842 µs per loop
%timeit WinsorizeStats(data)
#1000 loops, best of 3: 212 µs per loop
def clip_series(s, lower, upper):
clipped = s.clip(lower=s.quantile(lower), upper=s.quantile(upper), axis=1)
return clipped
# Manage list of features to be winsorized
feature_list = list(features.columns)
for f in feature_list:
features[f] = clip_series(features[f], 0.05, 0.95)
data = np.array([[1, 8, 13, 113, 401],
[2, 8, 15, 119, 402],
[1, 9, 14, 117, 399],
[100, 7, 12, 110, 409],
[4, 70, 11, 111, 404]
])