Как использовать фильтр pandas с IQR?

Есть ли встроенный способ фильтрации по столбцу с помощью IQR (то есть значения между Q1-1.5IQR и Q3 + 1.5IQR)? также будет предложена любая другая возможная обобщенная фильтрация в pandas.

Ответ 1

Насколько я знаю, наиболее компактные обозначения, похоже, получены методом query.

# Some test data
np.random.seed(33454)
df = (
    # A standard distribution
    pd.DataFrame({'nb': np.random.randint(0, 100, 20)})
        # Adding some outliers
        .append(pd.DataFrame({'nb': np.random.randint(100, 200, 2)}))
        # Reseting the index
        .reset_index(drop=True)
    )

# Computing IQR
Q1 = df['nb'].quantile(0.25)
Q3 = df['nb'].quantile(0.75)
IQR = Q3 - Q1

# Filtering Values between Q1-1.5IQR and Q3+1.5IQR
filtered = df.query('(@Q1 - 1.5 * @IQR) <= nb <= (@Q3 + 1.5 * @IQR)')

Затем мы можем построить результат, чтобы проверить разницу. Мы видим, что выброс в левом блокпосте (крест на 183) больше не появляется в отфильтрованной серии.

# Ploting the result to check the difference
df.join(filtered, rsuffix='_filtered').boxplot()

Comparison before and after filterinf

После этого ответа я написал сообщение на эту тему, где вы можете найти больше информации.

Ответ 2

Другой подход с использованием Series.between():

iqr = df['col'][df['col'].between(df['col'].quantile(.25), df['col'].quantile(.75), inclusive=True)]

Вытащено:

q1 = df['col'].quantile(.25)
q3 = df['col'].quantile(.75)
mask = d['col'].between(q1, q2, inclusive=True)
iqr = d.loc[mask, 'col']

Ответ 3

Это даст вам подмножество df, которое находится в IQR столбца column:

def subset_by_iqr(df, column, whisker_width=1.5):
    """Remove outliers from a dataframe by column, including optional 
       whiskers, removing rows for which the column value are 
       less than Q1-1.5IQR or greater than Q3+1.5IQR.
    Args:
        df (':obj:pd.DataFrame'): A pandas dataframe to subset
        column (str): Name of the column to calculate the subset from.
        whisker_width (float): Optional, loosen the IQR filter by a
                               factor of 'whisker_width' * IQR.
    Returns:
        (':obj:pd.DataFrame'): Filtered dataframe
    """
    # Calculate Q1, Q2 and IQR
    q1 = df[column].quantile(0.25)                 
    q3 = df[column].quantile(0.75)
    iqr = q3 - q1
    # Apply filter with respect to IQR, including optional whiskers
    filter = (df[column] >= q1 - whisker_width*iqr) & (df[column] <= q3 + whisker_width*iqr)
    return df.loc[filter]                                                     

# Example for whiskers = 1.5, as requested by the OP
df_filtered = subset_by_iqr(df, 'column_name', whisker_width=1.5)

Ответ 4

Вы также можете попробовать использовать приведенный ниже код, рассчитав IQR. На основании IQR, нижней и верхней границ, он заменит значение выбросов, представленных в каждом столбце. этот код будет проходить через все столбцы в фрейме данных и работать по одному, отфильтровывая только выбросы, вместо того, чтобы проходить все значения в строках для поиска выбросов.

Функция:

    def mod_outlier(df):
        df1 = df.copy()
        df = df._get_numeric_data()


        q1 = df.quantile(0.25)
        q3 = df.quantile(0.75)

        iqr = q3 - q1

        lower_bound = q1 -(1.5 * iqr) 
        upper_bound = q3 +(1.5 * iqr)


        for col in col_vals:
            for i in range(0,len(df[col])):
                if df[col][i] < lower_bound[col]:            
                    df[col][i] = lower_bound[col]

                if df[col][i] > upper_bound[col]:            
                    df[col][i] = upper_bound[col]    


        for col in col_vals:
            df1[col] = df[col]

        return(df1)

Вызов функции:

df = mod_outlier(df)

Ответ 5

Другой подход использует Series.clip:

q = s.quantile([.25, .75])
s = s[~s.clip(*q).isin(q)]

вот подробности:

s = pd.Series(np.randon.randn(100))
q = s.quantile([.25, .75])  # calculate lower and upper bounds
s = s.clip(*q)  # assigns values outside boundary to boundary values
s = s[~s.isin(q)]  # take only observations within bounds

Использовать его для фильтрации всего фрейма данных df просто:

def iqr(df, colname, bounds = [.25, .75]):
    s = df[colname]
    q = s.quantile(bounds)
    return df[~s.clip(*q).isin(q)]

Примечание: метод исключает сами границы.