使用百分位数从pandas数据框中删除异常值

我正在关注此链接以删除异常值,但这里的某些内容在逻辑上是错误的..

Remove Outliers in Pandas DataFrame using Percentiles

我有一个数据集,第一列为“id”,最后一列为“label”.

这是我的代码片段,我删除label和id列,然后附加它：

def processing_data(train_data,test_data):
    #computing percentiles.
    low = .05
    high = .95
    filt_df = train_data.loc[:, train_data.columns != 'id']
    filt_df= filt_df.loc[:, filt_df.columns != 'label']
    quant_df = filt_df.quantile([low, high])
    print(quant_df)

    #filtering values based on computed percentiles. To do that use an apply by columns.
    print("Before removing outlier",filt_df,filt_df.shape)
    train_data1 = filt_df.apply(lambda x: x[(x>=quant_df.loc[low,x.name]) & (x <=quant_df.loc[high,x.name])], axis=0)
    print("After removing outlier,",train_data1,train_data1.shape)
    print(train_data1.isnull().sum())
    train_data1= pd.concat([train_data.loc[:,'id'], train_data1], axis=1)
    train_data=pd.concat([train_data.loc[:,'label'], train_data1], axis=1)
    #train_data.dropna(inplace=True)

    #train_data.fillna(0)
    #test_data.fillna(0)
    #print(train_data)
    #print(np.isnan(train_data).any().sum())
    return train_data,test_data

输出：所有行都包含一些NaN值,当我这样做时
            train_data.dropna(inplace = True)删除所有行.
            奇怪！！

我怎样才能解决这个问题？当我在异常处理后连接id和标签栏时,我觉得那里有些腥味？

这是数据集：

id  feature0    feature1    feature2    feature3    feature4    feature249  label
0   25.20824887 -16.7457484 50.86994402 5.593471686 1.188262678   1
1   -86.93144987    0.428227194 2.87483597  -8.064850183    6.056867093     2 
2   42.16093367 7.85701304  151.6127571 9.639675583 5.570138511             0
3   20.66694385 8.680641918 -56.44917913    -9.814779803    -2.382979151    1
4   35.9466789  4.57373573  -28.16021186    -6.91297056 4.879375409         0

解决方法:

当我用你的例子运行你的代码时,我得到了一个ValueError.我发现这个问题提到浮点数据帧元素分位数具有不稳定的行为,它返回NaNs或ValueError https://github.com/pandas-dev/pandas/issues/14564.我认为在这种情况下,它是249列,其中int是浮点数.当我filt_df = pd.DataFrame(filt_df,dtype = float)强制所有列浮动时,它运行正常.

每行中的NaN都是按低和高过滤时放置的.示例中的每一行都至少有一个超出.05 / .95边界的值(您的数据可能比您想象的要扁平得多).这意味着当你使用dropna并且默认为“any”时,所有行都将被删除.您可以通过将“any”更改为“all”或其他选项来更改dropna的运行方式.可能更好地调整您的上限/下限以更符合您的数据传播.请记住,即使您的边界对于每个添加的列都非常独占,但每行中至少有一个值超出这些边界的可能性也越来越大.