web-dev-qa-db-fra.com

Supprimer les valeurs éloignées dans les pandas DataFrame en utilisant des centiles

J'ai un DataFrame df avec 40 colonnes et de nombreux enregistrements. 

df:

User_id | Col1 | Col2 | Col3 | Col4 | Col5 | Col6 | Col7 |...| Col39

Pour chaque colonne sauf la colonne user_id, je souhaite vérifier les valeurs aberrantes et supprimer l'enregistrement de trou, si une valeur aberrante apparaît.

Pour la détection des valeurs aberrantes sur chaque ligne, j'ai décidé d'utiliser simplement les 5ème et 95ème centiles (je sais que ce n'est pas la meilleure méthode statistique):

Code ce que j'ai jusqu'à présent:

P = np.percentile(df.Col1, [5, 95])
new_df = df[(df.Col1 > P[0]) & (df.Col1 < P[1])]

Question : Comment puis-je appliquer cette approche à toutes les colonnes (sauf user_id) sans le faire à la main? Mon objectif est d'obtenir un cadre de données sans enregistrements comportant des valeurs aberrantes.

Je vous remercie!

7
Mi Funk

Le jeu de données initial.

print(df.head())

   Col0  Col1  Col2  Col3  Col4  User_id
0    49    31    93    53    39       44
1    69    13    84    58    24       47
2    41    71     2    43    58       64
3    35    56    69    55    36       67
4    64    24    12    18    99       67

Supprime d'abord la colonne User_id

filt_df = df.loc[:, df.columns != 'User_id']

Ensuite, calculez les centiles.

low = .05
high = .95
quant_df = filt_df.quantile([low, high])
print(quant_df)

       Col0   Col1  Col2   Col3   Col4
0.05   2.00   3.00   6.9   3.95   4.00
0.95  95.05  89.05  93.0  94.00  97.05

Filtrer ensuite les valeurs en fonction des centiles calculés. Pour ce faire, j'utilise une apply par colonnes et c'est tout!

filt_df = filt_df.apply(lambda x: x[(x>quant_df.loc[low,x.name]) & 
                                    (x < quant_df.loc[high,x.name])], axis=0)

Rapporter le User_id.

filt_df = pd.concat([df.loc[:,'User_id'], filt_df], axis=1)

Enfin, les lignes avec des valeurs NaN peuvent être simplement supprimées comme ceci.

filt_df.dropna(inplace=True)
print(filt_df.head())

   User_id  Col0  Col1  Col2  Col3  Col4
1       47    69    13    84    58    24
3       67    35    56    69    55    36
5        9    95    79    44    45    69
6       83    69    41    66    87     6
9       87    50    54    39    53    40

Résultat de vérification

print(filt_df.head())

   User_id  Col0  Col1  Col2  Col3  Col4
0       44    49    31   NaN    53    39
1       47    69    13    84    58    24
2       64    41    71   NaN    43    58
3       67    35    56    69    55    36
4       67    64    24    12    18   NaN

print(filt_df.describe())

          User_id       Col0       Col1       Col2       Col3       Col4
count  100.000000  89.000000  88.000000  88.000000  89.000000  89.000000
mean    48.230000  49.573034  45.659091  52.727273  47.460674  57.157303
std     28.372292  25.672274  23.537149  26.509477  25.823728  26.231876
min      0.000000   3.000000   5.000000   7.000000   4.000000   5.000000
25%     23.000000  29.000000  29.000000  29.500000  24.000000  36.000000
50%     47.000000  50.000000  40.500000  52.500000  49.000000  59.000000
75%     74.250000  69.000000  67.000000  75.000000  70.000000  79.000000
max     99.000000  95.000000  89.000000  92.000000  91.000000  97.000000

Comment générer le jeu de données de test

np.random.seed(0)
nb_sample = 100
num_sample = (0,100)

d = dict()
d['User_id'] = np.random.randint(num_sample[0], num_sample[1], nb_sample)
for i in range(5):
    d['Col' + str(i)] = np.random.randint(num_sample[0], num_sample[1], nb_sample)

df = DataFrame.from_dict(d)
16
Romain

Ce que vous décrivez est similaire au processus de winsorisation, qui tronque les valeurs aux 5ème et 95ème centiles au lieu de les éliminer complètement.

Voici un exemple:

import pandas as pd
from scipy.stats import mstats
%matplotlib inline

test_data = pd.Series(range(30))
test_data.plot()

 Original data

# Truncate values to the 5th and 95th percentiles
transformed_test_data = pd.Series(mstats.winsorize(test_data, limits=[0.05, 0.05])) 
transformed_test_data.plot()

 Winsorized data

3
mgoldwasser

Utilisez une jointure interne. Quelque chose comme ça devrait marcher

cols = df.columns.tolist()
cols.remove('user_id') #remove user_id from list of columns

P = np.percentile(df[cols[0]], [5, 95])
new_df = df[(df[cols[0] > P[0]) & (df[cols[0]] < P[1])]
for col in cols[1:]:
    P = np.percentile(df[col], [5, 95])
    new_df = new_df.join(df[(df[col] > P[0]]) & (df[col] < P[1])], how='inner')
1