R语言学习系列16-异常值处理.docxVIP

16. 异常值处理目录：一. 用箱线图检测异常值二. 使用局部异常因子法（LOF法）检测异常值三. 用聚类方法检测异常值四. 检测时间序列数据中的异常值五. 基于稳健马氏距离检测异常值正文：异常值，是指测量数据中的随机错误或偏差，包括错误值或偏离均值的孤立点值。在数据处理中，异常值会极大的影响回归或分类的效果。为了避免异常值造成的损失，需要在数据预处理阶段进行异常值检测。另外，某些情况下，异常值检测也可能是研究的目的，例如，数据造假的发现、电脑入侵的检测等。一、用箱线图检测异常值 在一条数轴上，以数据的上下四分位数（Q1-Q3）为界画一个矩形盒子（中间50%的数据落在盒内）；在数据的中位数位置画一条线段为中位线；用◇标记数据的均值；默认延长线不超过盒长的1.5倍，之外的点认为是异常值（用○标记）。盒形图的主要应用就是，剔除数据的异常值、判断数据的偏态和尾重。 R语言实现，使用函数boxplot.stats()，基本格式为：[stats, n, conf, out]=boxplot.stats(x, coef=1.5, do.conf=TRUE, do.out=TRUE)其中，x为数值向量（NA、NaN值将被忽略）；coef为盒须的长度为几倍的IQR（盒长），默认为1.5；do.conf和do.out设置是否输出conf和out返回值：stats返回5个元素的向量值，包括盒须最小值、盒最小值、中位数、盒最大值、盒须最大值；n返回非缺失值的个数；conf返回中位数的95%置信区间；out返回异常值。单变量异常值检测：set.seed(2016)x-rnorm(100) #生成100个服从N(0,1)的随机数summary(x) #x的汇总信息Min. 1st Qu. Median Mean 3rd Qu. Max.-2.7910 -0.7173 -0.2662 -0.1131 0.5917 2.1940boxplot.stats(x) #用箱线图检测x中的异常值$stats[1] -2.5153136 -0.7326879 -0.2662071 0.5929206 2.1942200$n[1] 100$conf[1] -0-0out[1] -2.791471boxplot(x) #绘制箱线图多变量异常值检测：x-rnorm(100)y-rnorm(100)df-data.frame(x,y) #用x,y生成两列的数据框head(df) x y1 00-00 00-00-00 00.7604624#寻找x为异常值的坐标位置a-which(x %in% boxplot.stats(x)$out) a[1] 78 81 92#寻找y为异常值的坐标位置b-which(y %in% boxplot.stats(y)$out)b[1] 27 37intersect(a,b) #寻找变量x,y都为异常值的坐标位置integer(0)plot(df) #绘制x, y的散点图p2-union(a,b) #寻找变量x或y为异常值的坐标位置[1] 78 81 92 27 37points(df[p2,],col=red,pch=x,cex=2) #标记异常值二、使用局部异常因子法（LOF法）检测异常值局部异常因子法（LOF法），是一种基于概率密度函数识别异常值的算法。LOF算法只对数值型数据有效。算法原理：将一个点的局部密度与其周围的点的密度相比较，若前者明显的比后者小（LOF值大于1），则该点相对于周围的点来说就处于一个相对比较稀疏的区域，这就表明该点是一个异常值。R语言实现：使用DMwR或dprep包中的函数lofactor()，基本格式为：lofactor(data, k)其中，data为数值型数据集；k为用于计算局部异常因子的邻居数量。library(DMwR)iris2-iris[,1:4] #只选数值型的前4列head(iris2) Sepal.Length Sepal.Width Petal.Length Petal.Width1 5.1 3.5 1.4 0.22 4.9 3.0 1.4 0.23 4.7 3.2 1.3 0.24 4.6