在数据分析中，处理异常值是确保数据质量的关键步骤。以下是一些常见的方法：
1. 检测异常值
可视化方法
- 箱线图：通过
matplotlib或seaborn绘制箱线图，识别数据中的异常值。
import seaborn as sns
import matplotlib.pyplot as plt
sns.boxplot(x=data['column_name'])
plt.title('Boxplot for Outlier Detection')
plt.show()
统计方法
- Z-Score：计算每个数据点的Z-Score，识别超过特定阈值的异常值（通常为3）。
import numpy as np
z_scores = np.abs((data['column_name'] - data['column_name'].mean()) / data['column_name'].std())
outliers = data[z_scores > 3]- IQR (Interquartile Range)：根据四分位距（IQR）识别异常值。
Q1 = data['column_name'].quantile(0.25)
Q3 = data['column_name'].quantile(0.75)
IQR = Q3 - Q1
outliers = data[(data['column_name'] < (Q1 - 1.5 * IQR)) | (data['column_name'] > (Q3 + 1.5 * IQR))]2. 处理异常值
删除异常值
直接删除异常值，适用于异常值比例较小的情况。
data_cleaned = data[(z_scores <= 3)] # 使用Z-Score方法
替换异常值
- 中位数/均值替换：用列的中位数或均值替换异常值。
median = data['column_name'].median()
data['column_name'] = np.where(z_scores > 3, median, data['column_name'])
转换数据
- 对数变换：通过对数变换减小异常值的影响。
data['column_name'] = np.log1p(data['column_name'])
使用模型预测
- 回归填补：训练模型预测异常值并进行替换。
有手就行，这几个AI工具，强到离谱！
如何高效地向ChatGPT提问
