Python Pandas通过Zscore过滤每组异常
我有一个数据框,其中一列“group”可以有50个不同的值,另一列“value”是数字 例如:Python Pandas通过Zscore过滤每组异常,python,pandas,Python,Pandas,我有一个数据框,其中一列“group”可以有50个不同的值,另一列“value”是数字 例如: pd.DataFrame({'group':['a','b','c','a','a','b','a','c','c'],'value':[2,123,4,2.3,2.5,127,128,4,0.003]}) group value 0 a 2.000 1 b 123.000 2 c 4.000 3 a 2.300 4 a 2.500 5 b 127
pd.DataFrame({'group':['a','b','c','a','a','b','a','c','c'],'value':[2,123,4,2.3,2.5,127,128,4,0.003]})
group value
0 a 2.000
1 b 123.000
2 c 4.000
3 a 2.300
4 a 2.500
5 b 127.000
6 a 128.000
7 c 4.000
8 c 0.003
我想从数据框中删除组中异常的值,例如abs(zscore)>3或类似的值。在本例中,值a,128将被删除,因为这对于a组是异常的,值c,0.003也将被删除。123和127是正常的,因为他们的组是“b”
输出应类似于(带有z分数列):
这样做的有效方法是什么
谢谢 为z分数创建一列,按特定组分组:
df['z_score'] = df.groupby('group')['value'].apply(lambda x: (x - x.mean())/x.std())
根据您的阈值筛选df:
df[abs(df['z_score']) > 3]
这是每组的绝对z分数
df.groupby('group').value.transform(lambda x: (x - x.mean()) / x.std()).abs()
0 0.504239
1 0.707107
2 0.577350
3 0.499467
4 0.496286
5 0.707107
6 1.499992
7 0.577350
8 1.154701
Name: value, dtype: float64
不幸的是,数据集太小,128所起的作用比你想象的要大。它的z分数只有1.5
我建议计算一个数据点相对于其他所有数据点的统计矩的z分数
这里有一个函数可以做到这一点。请注意,我在小组中至少需要4分才能做到这一点。如果组的长度小于4,则为整个组返回0
def _zscore(x):
if len(x) > 3:
v = x.values
m = (v.sum() - v) / (v.size - 1)
vm = v - m[:, None]
np.fill_diagonal(vm, 0)
s = ((vm ** 2).sum(1) / (v.size - 2)) ** .5
return (v - m) / s
else:
return np.zeros_like(x)
现在如果我们groupby
和transform
df.groupby('group').value.transform(_zscore)
0 -0.582866
1 0.000000
2 0.000000
3 -0.576658
4 -0.572532
5 0.000000
6 499.613605
7 0.000000
8 0.000000
Name: value, dtype: float64
我们可以清楚地看到,128
得到了\uzscore
的499
。通过一个简单的假设检验,我们可以安全地得出结论,128
不太可能来自与组内其他数据相同的分布
我们可以像这样过滤它:
df[df.groupby('group').value.transform(_zscore) <= 3]
group value
0 a 2.000
1 b 123.000
2 c 4.000
3 a 2.300
4 a 2.500
5 b 127.000
7 c 4.000
8 c 0.003
df[df.groupby('group').value.transform(_zscore)要计算每个组的zscore吗?请提供所需输出的具体证据。我要每个组的zscore值,然后过滤zscore超出某个阈值的记录。Tx.z分数需要假设检验。你的零假设是什么?
df[df.groupby('group').value.transform(_zscore) <= 3]
group value
0 a 2.000
1 b 123.000
2 c 4.000
3 a 2.300
4 a 2.500
5 b 127.000
7 c 4.000
8 c 0.003