学习笔记(23):Python数据清洗实战-异常值处理

异常值处理技巧

最新推荐文章于 2024-10-31 14:10:52 发布

原创最新推荐文章于 2024-10-31 14:10:52 发布 · 976 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#数据 #编程语言 #Python #python #数据分析

研发管理专栏收录该内容

25 篇文章

订阅专栏

了解异常值的概念及其对项目分析的影响，掌握使用箱线图法和分布图判断异常值的方法，学习异常值处理策略如盖帽法和数据离散化。

部署运行你感兴趣的模型镜像

立即学习:https://edu.youkuaiyun.com/course/play/26990/361135?utm_source=blogtoedu

异常值的处理：

指那些偏离正常范围的值，不是错误值
异常值出现频率较低，但又会对实际项目分析造成偏差
异常值一般用过箱线图法（分位差法）或者分布图（标准差法）来判断
异常值往往采取盖帽法或者数据离散化

一些细节：

分位差 = 上四分位数 - 下四分位数

上界 = 上四分位数 + 1.5 * 分位差

下界 = 下四分位数 - 1.5 * 分位差

您可能感兴趣的与本文相关的镜像

Dify

AI应用

Agent编排

Dify 是一款开源的大语言模型（LLM）应用开发平台，它结合了后端即服务(Backend as a Service) 和LLMOps 的理念，让开发者能快速、高效地构建和部署生产级的生成式AI应用。它提供了包含模型兼容支持、Prompt 编排界面、RAG 引擎、Agent 框架、工作流编排等核心技术栈，并且提供了易用的界面和API，让技术和非技术人员都能参与到AI应用的开发过程中