【数据清洗】处理异常值和缺失值目录参考

我本来，就只是想随便看一下有啥正儿八经处理异常值的方法，看着看着心想，看都看了那随手记一下总结一下好了，结果…我…怎么这么多陌生名词…
都是在优快云四处搜刮的信息，存在大段复制粘贴，本来只是写在记事本里，就没有贴原链接。

识别异常值

异常点检测，采用异常点检测算法对样本进行分析：
a.常用的异常点检测算法包括偏差检测，例如聚类，最近邻等；
b.基于统计的异常点检测算法，例如极差，四分位数间距，均差，标准差等；
c.基于距离的异常点检测算法，主要通过距离方法来检测异常点，遍历所有的数据点之间的距离，与大部分数据的距离都比较远的点，就是异常点，主要使用的距离度量方法有绝对距离(曼哈顿距离)、欧氏距离和马氏距离等方法；
d.基于密度的异常点检测算法，normal数据一定是处于密度集中的区域，abnormal数据一定是在相对稀疏的领域，考察当前点周围密度，可以发现局部异常点，例如LOF算法；
e.其他异常检测算法，如Isolation Forest算法。

方法1：Boxplot / 四分位数和四分位距。boxplot.stats()
方法2：当前值在平均值的±3个标准差之外。
方法3：（趋势数据）moving window，该点超出邻近n个点(window)的均值±3个标准差之外，则判断为异常值。
方法4：（趋势数据）去掉该点时线性模型R方的变化，增加超过某值，则判断为异常值。
方法5：（机器学习方法）SVM（支持向量机，非监督学习）、随机森林（很多很多决策树组成的森林投票出结果，RandomForestClassifier和RandomForestRegressor）、Isolation Forest算法（Isolation Forest的思路就是，如果是normal数据，你需要更多地切割平面才能区分这条数据。如果是abnormal数据，就可以用较少的平面切割。和随机森林类似，但每次选择划分属性和划