Python实现非正太分布的异常值检测

     工作中，我们经常会遇到数据异常，比如说浏览量突增猛降，交易量突增猛降，但是这些数据又不是符合正太分布的，如果用几倍西格玛就不合适，那么我们如何来判断这些变化是否在合理的范围呢？

    小白查阅一些资料后，发现可以用箱形图，具体描述如下：

    箱形图（英文：Box plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。

    

   异常值可以设置为上四分位数的1.25倍，也可以设置为1.5倍，具体的要通过实验可得。

1、下四分位数Q1

（1）确定四分位数的位置。Qi所在位置=i（n+1）/4，其中i=1，2，3。n表示序列中包含的项数。

（2）根据位置，计算相应的四分位数。

例中：Q1所在的位置=（14+1）/4=3.75，Q1=0.25×第三项+0.75×第四项=0.25×17+0.75×19=18.5；

2、中位数（第二个四分位数）Q2中位数，即一组数由小到大排列处于中间位置的数。若序列数为偶数个，该组的中位数为中间两个数的平均数。

例中：Q2所在的位置=2（14+1）/4=7.5，Q2=0.5×第七项+0.5×第八项=0.5×25+0.5×28=26.5

3、上四分位数Q3计算方法同下四分位数。

例中：Q3所在的位置=3（14+1）/4=11.25，Q3=0.75×第十一项+0.25×第十二项=0.75×34+0.25×35=34.25。

4、上限上限是非异常范围内的最大值。

首先要知道什么是四分位距如何计算的？四分位距IQR=Q3-Q1，那么上限=Q3+1.5IQR5、下限下限是非异常范围内的最小值。下限=Q1-1.5IQR

我这里是使用上四分位数的1.5倍作为上限，下四分位数的1.5倍作为下限。

这里是拿历史一个月每天的产量和间夜量作为参考，统计出历史的箱线图的各个指标，然后将要比较的数据，来进行循环判断，若超过上限/下限那么抛出1和0.

# -*- coding: utf-8 -*-
"""
Created on Tue Apr 30 10:52:37 2019

@author: chen_lib
"""

import pandas as pd
catering_sale = 'D:/Users/chen_lib/Desktop/ceshi.csv' #读取历史数据
datax = pd.read_csv(catering_sale) #读取数据
#取出不是昨天的数据
data = datax.loc[datax['orderdate'] != datetime][:]
'''
import time
## yyyy-mm-dd格式
print (time.strftime("%Y-%m-%d"))
'''
#时间减一天
import datetime
datetime = (datetime.datetime.now()+datetime.timedelta(days=-1)).strftime("%Y-%m-%d")


#保存基本统计量，将常见的统计信息保存为数据框
statistics = data.describe() 
#添加行标签 计算出每个指标的上线下线和四分位间距
statistics.loc['IQR'] = statistics.loc['75%']-statistics.loc['25%'] #四分位数间距
statistics.loc['UP'] = statistics.loc['75%'] + 1.5*statistics.loc['IQR'] #上限
statistics.loc['DAWN'] = statistics.loc['25%'] - 1.5*statistics.loc['IQR']#下限
#取出data的列名
columns = data.columns.values.tolist()


'''取出要比较的数值,放在统计信息表'''
a = data.loc[data['orderdate'] == datetime][columns[1]]#取出第一列
b = data.loc[data['orderdate'] == datetime][columns[2]]#取出第二列
statistics.loc['res'] = [a[1],b[1]]#取出需要比较的当天的数据 放入统计信息中
    

'''循环取出结果是否满足要求'''  
ret = []  
for i in range(2):
    res = statistics.loc['res'][i]
    max = statistics.loc['UP'][columns[i+1]]#最大值
    min = statistics.loc['DAWN'][columns[i+1]]#最小值
    '''
    #重建三个值的索引，以便比较大小
    res.index = ['ordernum']
    max.index = max['ordernum']
    min.index = min['ordernum']
    #判断异常值，若大于最大值或者小于最小值则抛出结果为1
    '''
    result1 = res>max
    result2 = res<min
    if result1 =='False' or result2 == 'False':
        ret.append([columns[i+1],1])
    else: 
        ret.append([columns[i+1],0])
    df = pd.DataFrame(ret)
    
	#将文件写入excel表中
df.to_excel("d:/Users/chen_lib/Desktop/ceshi.xlsx",sheet_name="total",index=False,header=False)

 

 

 

 

 

标签：正太,statistics,loc,Python,检测,datetime,四分,data,位数
来源： https://blog.csdn.net/Jarry_cm/article/details/89849093