使用`boxplot.stats`删除R中的数据框异常值 [英] Removing dataframe outliers in R with `boxplot.stats`

问题描述

我在R处比较陌生，所以请多包涵。

I'm relatively new at R, so please bear with me.

我正在使用Ames数据集（数据集的完整说明此处；链接到数据集下载此处）。

I'm using the Ames dataset (full description of dataset here; link to dataset download here).

我正在尝试创建一个子集数据框，该数据框将允许我运行线性回归分析，并且我试图使用<$ c删除异常值$ c> boxplot.stats 函数。我使用以下代码创建了一个包含样本的框架：

I'm trying to create a subset data frame that will allow me to run a linear regression analysis, and I'm trying to remove the outliers using the boxplot.stats function. I created a frame that will include my samples using the following code:

regressionFrame <- data.frame(subset(ames_housing_data[,c('SalePrice','GrLivArea','LotArea')] , BldgType == '1Fam'))

我的下一个目标是删除异常值，因此我尝试使用 which（）函数进行子集化：

My next objective was to remove the outliers, so I tried to subset using a which() function:

regressionFrame <- regressionFrame[which(regressionFrame$GrLivArea != boxplot.stats(regressionFrame$GrLivArea)$out),]

不幸的是，产生了

更长的对象长度不是较短的对象长度的倍数

longer object length is not a multiple of shorter object length

错误。有谁知道一种更好的方法来实现此目的，最好使用 which（）子设置功能？我假设它会包含某种形式的 lapply（），但是对于我来说，我不知道该怎么做。 （我认为以后总是可以学习更高级的方法，但这是我现在所要学习的方法。）

error. Does anyone know a better way to approach this, ideally using the which() subsetting function? I'm assuming it would include some form of lapply(), but for the life of me I can't figure out how. (I figure I can always learn fancier methods later, but this is the one I'm going for right now since I already understand it.)

推荐答案

与 boxplot.stats 很好地使用。

您不能使用<$ c $来安全地测试c>！= 如果 boxplot.stats 在 $ out 中返回多个异常值。这里的类比是 1：5！= 1：3 。您可能想尝试！（1：5％in％1：3）。

You can not test SAFELY using != if boxplot.stats returns you more than one outliers in $out. An analogy here is 1:5 != 1:3. You probably want to try !(1:5 %in% 1:3).

regressionFrame <- subset(regressionFrame,
                          subset = !(GrLivArea %in% boxplot.stats(GrLivArea)$out))

安全是指 1：5！= 1：3 给出错误的结果并带有警告，但 1：6！= 1：3 会给出错误的结果，而不会发出警告。该警告与回收规则有关。在后一种情况下， 1：3 可以被回收为具有相同长度的 1：6 （即， 1：6 的长度是 1：3 长度的倍数），因此您将使用 1：6！= c（1：3，1：3）。

What I mean by SAFELY, is that 1:5 != 1:3 gives a wrong result with a warning, but 1:6 != 1:3 gives a wrong result without warning. The warning is related to the recycling rule. In the latter case, 1:3 can be recycled to have the same length of 1:6 (that is, the length of 1:6 is a multiple of the length of 1:3), so you will be testing with 1:6 != c(1:3, 1:3).

一个简单的例子。

x <- c(1:10/10, 101, 102, 103)  ## has three outliers: 101, 102 and 103
out <- boxplot.stats(x)$out  ## `boxplot.stats` has picked them out
x[x != out]  ## this gives a warning and wrong result
x[!(x %in% out)]  ## this removes them from x

这篇关于使用`boxplot.stats`删除R中的数据框异常值的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！