本文综合代码来自文章http://t.csdnimg.cn/P5zOD
异常值与缺失值处理
Matlab
%% 数据修复
% 判断缺失值和异常值并修复,顺便光滑噪音,渡边笔记
clc,clear;close all;
x = 0:0.06:10;
y = sin(x)+0.2*rand(size(x));
y(22:34) = NaN; % 模拟缺失值
y(89:95) = 50;% 模拟异常值
testdata = [x' y'];
subplot(2,2,1);
plot(testdata(:,1),testdata(:,2)); %subplot在一个图窗中创建多个子图,然后使用plot函数将原始数据可视化
title('原始数据');
异常值检验
作者通常首先判断是否具有异常值,因为如果有异常值的话,咱们就会剔除异常值,使其变成缺失值,然后再做缺失值处理会好很多。
Matlab
%% 判断数据中是否存在异常值
% 1.mean 三倍标准差法 2.median 离群值法 3.quartiles 非正态的离群值法
% 4.grubbs 正态的离群值法 5.gesd 多离群值相互掩盖的离群值法
choice_1 = 5;
yichangzhi_fa = char('mean', 'median', 'quartiles', 'grubbs','gesd');
yi_chang = isoutlier(y,strtrim(yichangzhi_fa(choice_1,:))); %选择的是gesd多离群值......
if sum(yi_chang)
disp('数据存在异常值');
else
disp('数据不存在异常值');
end
对于上面的异常值检验法做讲解与扩展:
1. Mean 三倍标准差法(3σ原则)
- 描述:在正态分布数据中,任何一个数值如果偏离平均值超过3倍的标准差,就被认为是异常值。
- 应用条件 :数据基本呈正态分布。(非常重要,需要进行正态性检验)
- 场景:适用于各种连续数据的分析,例如金融、生物统计等领域。
2. Median 离群值法
- 描述:基于中位数和四分位数范围来识别异常值。
- 应用条件 :不需要 数据完全符合正态分布。
- 场景:适用于偏态分布或者非正态分布的数据。
3. Quartiles 非正态的离群值法
- 描述 :通过计算数据的四分位数范围(IQR)和上下四分位数来检测异常值。
- 应用条件 :适用于非正态分布的数据。
- 场景:在各种非正态分布的数据分析中都可以使用。
4. Grubbs 正态的离群值法
- 描述:基于正态分布假设,测试数据集中最大或最小值是否显著偏离其余的观测值。
- 应用条件:数据应该是正态分布。
- 场景 :广泛应用于各种领域,尤其是实验数据分析。
5. GESD(Generalized Extreme Studentized Deviate)
- 描述 :用于检测多个异常值,即使它们相互掩盖。
- 应用条件:不特定于某一分布。
- 场景 :当异常值可能相互掩盖时使用,例如在时间序列分析中。
其他方法
Tukey's Fences:
- 通过四分位数范围(IQR)和"fences"(上下界)识别异常值。
- 适用于各种分布的数据。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise):
- 一种基于密度的聚类算法,能够识别簇内和簇外点。
- 用于大数据集和空间数据。
Isolation Forests:
- 用于高维数据集的异常检测。
- 通过随机分离点来检测异常值。
正态性检验
读者不难发现,异常值检验通常与数据是否符合正态分布有关,所以,我们一起讨论一下如何使用matlab进行正态性检验。
初步判断
利用图像进行初步的正态性判断,涉及到常见的两种图:Q-Q图和P-P图。
PP图:
- PP图是用于比较两个数据集的累积分布函数(CDF)。
- 当你有一个样本数据集和一个理论分布(如正态分布)时,PP图会比较样本数据的CDF和理论CDF。
- 在正态PP图中,如果样本数据来自正态分布,那么数据点应该大致沿着45度线。
QQ图:
- QQ图是用于比较两个数据集的分位数。QQ图更常用于正态性检验,因为它对尾部的差异更敏感。
- 当你有一个样本数据集和一个理论分布时,QQ图会比较样本数据的分位数和理论分布的分位数。
- 在正态QQ图中,如果样本数据来自正态分布,那么数据点应该大致沿着一条直线,这条线不一定是45度线,但是应该是线性的。
其实上面最重要的一点就是,数据点在两个图中都沿着标准正态分布直线近似分布的话,我们就可以初步判断数据具有正态分布性。
Matlab
% 正态检验
% 生成一些随机数据
data = randn(100, 1);
% 创建一个新的图形窗口
figure;
% 使用 normplot 创建正态概率图 (QQ图)
subplot(1,2,1);
normplot(data);
title('Normal Q-Q Plot');
% 使用 probplot 创建PP图
subplot(1,2,2);
probplot('normal', data);
title('Normal P-P Plot');
可以在论文中这样写:
为了对数据集的分布特性进行深入理解和分析,本文采用了QQ图和PP图两种方法进行了初步的正态性检验,旨在从不同角度全面评估数据的分布状态。其结果如图1所示。
图1 xx数据PP图(左)和QQ图(右)
图1结果显示:在QQ图中,xx数据的尾部行为和中心趋势没有发现显著的异常值或者偏态现象,表现出良好的正态分布特征;在PP图中,xx数据的整体分布与正态分布非常接近,进一步证实了数据的正态性。综合以上分析结果可初步得知:xx数据集呈现出较强的正态分布特性。
尽管PP图和QQ图都是强大的工具,但它们主要用于探索性数据分析,并不能代替更正式的正态性检验方法,如Jarque-Bera测试或Lilliefors测试。
正式判断
Matlab
% 正态检验
% 生成一些随机数据
data = randn(100, 1);
% 使用 jbtest 进行 Jarque-Bera 测试
[h_jb, p_jb] = jbtest(data);
% 使用 lillietest 进行 Lilliefors 测试
[h_lil, p_lil] = lillietest(data);
% 显示测试结果
fprintf('Jarque-Bera Test: h = %d, p = %f\n', h_jb, p_jb);
fprintf('Lilliefors Test: h = %d, p = %f\n', h_lil, p_lil);
在上述代码中,h
和 p
分别代表假设检验的结果和 p 值,可以用来判断数据是否符合正态分布。
h = 0
表示 在给定的显著性水平下,不拒绝数据来自正态分布的原假设。即,数据可以被认为是正态分布的。p
值是一个概率值,它表示观察到的数据与正态分布之间的差异是偶然产生的概率。一般来说,如果**p
值大于预定的显著性水平(例如,0.05),则接受原假设,认为数据是正态分布的。**
故对上图结果进行数据分析(论文中写的多一点啊,这是简要版):
Jarque-Bera 测试结果:
h = 0, p = 0.361618
- 因为
h
为0,并且p
值为0.361618(大于通常的显著性水平0.05),所以我们接受原假设,认为数据是正态分布的。Lilliefors 测试结果:
h = 0, p = 0.500000
- 同样,
h
为0,并且p
值为0.5,这也指示数据是正态分布的。
异常值处理与缺失值判断
作者所有异常值处理都是先赋空值,不知道还有没有其他的方法......
Matlab
%% 对异常值赋空值
F = find(yi_chang == 1);
y(F) = NaN; % 令数据点缺失
testdata = [x' y'];
然后就可以和缺失值一起处理了,但是,为了保证文章的严谨性,咱还是需要判断一下是否存在缺失值。并且,不仅仅只判断,如果题目数据特征尤其多,并且有的特征缺失样本太多了,咱建议还是把这些特征删了,这就涉及到最省力法则:
Matlab
% 假设testdata是一个n行m列的矩阵,每一列代表一个特征
[n, m] = size(testdata);
threshold = 0.8 * n; % 设置阈值,80%的总样本量
% 遍历每一个特征
for i = 1:m
% 计算每一列(特征)中非缺失值的数量
nonMissingCount = sum(~isnan(testdata(:, i)));
% 如果非缺失值的数量少于阈值,则删除该列(特征)
if nonMissingCount < threshold
testdata(:, i) = []; % 删除特征
m = m - 1; % 更新特征数量
i = i - 1; % 更新当前索引
end
end
% 显示处理后的数据
disp('处理后的数据:');
disp(testdata);
填充缺失值
Matlab
%% 对数据进行补全
% 数据补全方法选择
% 1.线性插值 linear 2.分段三次样条插值 spline 3.保形分段三次样条插值 pchip
% 4.移动滑窗插补 movmean
chazhi_fa = char('linear', 'spline', 'pchip', 'movmean');
choice_2 = 3;
if choice_2 ~= 4
testdata_1 = fillmissing(testdata,strtrim(chazhi_fa(choice_2,:))); % strtrim 是为了去除字符串组的空格
else
testdata_1 = fillmissing(testdata,'movmean',10); % 窗口长度为 10 的移动均值
end
subplot(2,2,3);
plot(testdata_1(:,1),testdata_1(:,2));
title('数据补全结果');
作者通常喜欢(让队友)使用K最近邻法填补,而且都是用python搞的,so这里不讲。
平滑处理
当然,可以根据实际情况进行数据的平滑处理:
Matlab
%% 进行数据平滑处理
% 滤波器选择 1.Savitzky-golay 2.rlowess 3.rloess
choice_3 = 2;
lvboqi = char('Savitzky-golay', 'rlowess', 'pchip', 'rloess');
% 通过求 n 元素移动窗口的中位数,来对数据进行平滑处理
windows = 8;
testdata_2 = smoothdata(testdata_1(:,2),strtrim(lvboqi(choice_3,:)),windows) ;
那么,实际情况到底是什么?
平滑数据对于某些机器学习模型的训练和性能是有益的,尤其是对于那些对数据中的噪声敏感的模型。下面是一些可能受益于数据平滑的算法:
决定是否进行数据平滑应该基于对上述因素的综合考虑,而不仅仅是基于特征的数量。**在决定平滑之前,最好通过交叉验证来评估平滑对模型性能的实际影响。**属于锦上添花的作用。
总结
最终的代码综合一下:
Matlab
% 判断缺失值和异常值并修复,顺便光滑噪音,渡边笔记
clc,clear;close all;
x = 0:0.06:10;
y = sin(x)+0.2*rand(size(x));
y(22:34) = NaN; % 模拟缺失值
y(89:95) = 50;% 模拟异常值
testdata = [x' y'];
subplot(2,2,1);
plot(testdata(:,1),testdata(:,2)); %subplot在一个图窗中创建多个子图,然后使用plot函数将原始数据可视化
title('原始数据');
%% 判断数据中是否存在缺失值,并使用最省力法则
% 假设testdata是一个n行m列的矩阵,每一列代表一个特征
[n, m] = size(testdata);
threshold = 0.8 * n; % 设置阈值,80%的总样本量
% 遍历每一个特征
for i = 1:m
% 计算每一列(特征)中非缺失值的数量
nonMissingCount = sum(~isnan(testdata(:, i)));
% 如果非缺失值的数量少于阈值,则删除该列(特征)
if nonMissingCount < threshold
testdata(:, i) = []; % 删除特征
m = m - 1; % 更新特征数量
i = i - 1; % 更新当前索引
end
end
% 显示处理后的数据
disp('处理后的数据:');
disp(testdata);
%% 判断数据中是否存在异常值
% 1.mean 三倍标准差法 2.median 离群值法 3.quartiles 非正态的离群值法
% 4.grubbs 正态的离群值法 5.gesd 多离群值相互掩盖的离群值法
choice_1 = 5;
yichangzhi_fa = char('mean', 'median', 'quartiles', 'grubbs','gesd');
yi_chang = isoutlier(y,strtrim(yichangzhi_fa(choice_1,:))); %选择的是gesd多离群值......
if sum(yi_chang)
disp('数据存在异常值');
else
disp('数据不存在异常值');
end
%% 对异常值赋空值
F = find(yi_chang == 1);
y(F) = NaN; % 令数据点缺失
testdata = [x' y'];
subplot(2,2,2);
plot(testdata(:,1),testdata(:,2));
title('去除差异值');
%% 对数据进行补全
% 数据补全方法选择
% 1.线性插值 linear 2.分段三次样条插值 spline 3.保形分段三次样条插值 pchip
% 4.移动滑窗插补 movmean
chazhi_fa = char('linear', 'spline', 'pchip', 'movmean');
choice_2 = 3;
if choice_2 ~= 4
testdata_1 = fillmissing(testdata,strtrim(chazhi_fa(choice_2,:))); % strtrim 是为了去除字符串组的空格
else
testdata_1 = fillmissing(testdata,'movmean',10); % 窗口长度为 10 的移动均值
end
subplot(2,2,3);
plot(testdata_1(:,1),testdata_1(:,2));
title('数据补全结果');
%% 进行数据平滑处理
% 滤波器选择 1.Savitzky-golay 2.rlowess 3.rloess
choice_3 = 2;
lvboqi = char('Savitzky-golay', 'rlowess', 'pchip', 'rloess');
% 通过求 n 元素移动窗口的中位数,来对数据进行平滑处理
windows = 8;
testdata_2 = smoothdata(testdata_1(:,2),strtrim(lvboqi(choice_3,:)),windows) ;
subplot(2,2,4);
plot(x,testdata_2)
title('数据平滑结果');
至此,数据预处理完成。