在R

Question

的整个数据集（基于Tukey和分类变量的每个级别）中替换异常值如何基于分类变量检测所有数据集（所有连续列）的异常值并将其替换为NA。我想使用Tukey技术，但是关注分类变量的每个级别。例如，根据mtcars$am 的每个级别，用NA替换mtcars[, -c(8,9)]的异常值或如何修改此代码以适用于每个级别中的所有变量。

lapply(mtcars, function(x){sort(outlier_values<- boxplot.stats(x)$out)}) 

Answer 1

编辑：离群现在是1.5 * IQR，在注释中指定。

这会用NA来替换am列中每个qsec列的异常值。它首先在一个名为limits的数据框中构建，其中包含每个群组的下限和上限。然后，将该数据框与原始数据框结合起来，并对异常值进行过滤。

library(dplyr) 


limits = data.frame(am = unique(mtcars$am)) 
limits$lower = lapply(limits$am, function(x) quantile(mtcars$qsec[mtcars$am==x],0.25) - 1.5 * (quantile(mtcars$qsec[mtcars$am==x],0.75)- quantile(mtcars$qsec[mtcars$am==x],0.25))) 
limits$upper = lapply(limits$am, function(x) quantile(mtcars$qsec[mtcars$am==x],0.75) + 1.5 * (quantile(mtcars$qsec[mtcars$am==x],0.75)- quantile(mtcars$qsec[mtcars$am==x],0.25))) 

df = mtcars %>% left_join(limits) 
df$qsec = ifelse(df$qsec< df$lower | df$qsec>df$upper,NA,df$qsec) 
df = df %>% select(-upper,-lower) 

a参数可用于确定哪些比例被视为异常值。