R语言中离群值的识别、描述、绘制与移除

摘要：统计学中离群值被定义为离开大部分观测较远的样本点，多数是由于测量误差而产生。因此，数据分析中离群值的识别和移除（如有必要）是很重要的一个步骤。

摘要：统计学中离群值被定义为离开大部分观测较远的样本点，多数是由于测量误差而产生。因此，数据分析中离群值的识别和移除（如有必要）是很重要的一个步骤。

鉴定离群值的方法有很多种，包括基于标准差的方法和基于四分位距的Tukey法。本文我将使用不依赖余数据分布类型的Tukey法做演示，该方法的另一个优势是无需考虑数据均值和方差，而这两个统计量恰恰很容易被极端值（离群值）影响。

脚本

我写了一个脚本来识别、描述、绘制并移除离群值。我先利用箱线图来鉴定样本点是否为离群值。在R中可以使用boxplot.stats()$out命令来绘制这个图，该图能利用Tukey法将游离在1.5倍四分位距外的样本点单独绘制出来。在描述数据时，我喜欢汇报数据中离群值的百分比和其均值，同时我也会分别计算包含和移除离群值后数据的均值。而在各种数据图中，箱线图和直方图值最能体现离群值的存在感，因此在下面的脚本中，我将绘制包含和移除离群值的这两类图形。最后，在Selva的帮助下，我添加了一个简单问题（是/否）来询问是否要保留离群值。如果选择是，那么离群值将被NA取代。

脚本如下：

outlierKD <- function(dt, var)

你可以直接运行这些代码，只要把其中的数据集和变量的名称替换下。

source("http://goo.gl/UUyEzD") outlierKD(dat, variable)

一个例子:

Outliers identified: 58 Propotion (%) of outliers: 3.8 Mean of the outliers: 108.1 Mean without removing outliers: 53.79 Mean if we remove outliers: 52.82 Do you want to remove outliers and to replace with NA? [yes/no]: y Outliers successfully removed

绘制的图形的例子：

我知道这个脚本还可以添加不少功能和细节，很多地方还能优化。欢迎各位给我提供反馈。

你可以直接在下方留言，或者在Twitter上联系我。

作者 Klodian Dhana

译者 钱亦欣

原文刊载于datascience+网站

链接:http://datascienceplus.com/identify-describe-plot-and-removing-the-outliers-from-the-dataset/