小編給大家分享一下python中處理異常值的方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

創(chuàng)新互聯(lián)專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都網(wǎng)站建設(shè)、網(wǎng)站制作、兗州網(wǎng)絡(luò)推廣、成都微信小程序、兗州網(wǎng)絡(luò)營(yíng)銷、兗州企業(yè)策劃、兗州品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營(yíng)等，從售前售中售后，我們都將竭誠(chéng)為您服務(wù)，您的肯定，是我們最大的嘉獎(jiǎng)；創(chuàng)新互聯(lián)為所有大學(xué)生創(chuàng)業(yè)者提供兗州建站搭建服務(wù)，24小時(shí)服務(wù)熱線：18980820575，官方網(wǎng)址：www.cdcxhl.com

打開pycharm開發(fā)工具，在運(yùn)行窗口輸入命令：

import pandas as pd #導(dǎo)入pandas庫(kù)

輸入數(shù)據(jù)集。

data=pd.DataFrame({'name':['A','B','C','D','E','F','G'],'cost':[2,127,4,6,3,13,14],'sales':[13,18,32,54,23,33,44]})
print(data)

通過z-score方法判斷異常值，即對(duì)原始值X進(jìn)行正態(tài)標(biāo)準(zhǔn)化：(X-mean(X))/std(X)，根據(jù)計(jì)算的結(jié)果判斷樣本值與中心的偏離程度。

df1=data.copy()#為了不影響原始數(shù)據(jù)集，復(fù)制數(shù)據(jù)集data
print(df1)

按列計(jì)算均值和標(biāo)準(zhǔn)差。

df1['cost']=(df1['cost']-df1['cost'].mean())/df1['cost'].std()#標(biāo)準(zhǔn)化cost_z列

對(duì)sales列進(jìn)行標(biāo)準(zhǔn)化。

df1['sales']=(df1['sales']-df1['sales'].mean())/df1['sales'].std()#標(biāo)準(zhǔn)化cost_z列
df1['sales']

查看標(biāo)準(zhǔn)化后的數(shù)據(jù)集。

print(df1)

標(biāo)準(zhǔn)化后的絕對(duì)值越大，數(shù)據(jù)越有可能異常，是否異常根據(jù)設(shè)定的閾值判斷。

假設(shè)cost列閾值為2，通過下面的方法找到異常值。

df1['cost'].abs()>2#判斷數(shù)據(jù)是否異常
data[df1['cost'].abs()>2]#取出原數(shù)據(jù)集中的異常點(diǎn)

看完了這篇文章，相信你對(duì)python中處理異常值的方法有了一定的了解，想了解更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！