熊猫：用NaN替换数据帧的所有数字列中的离群值（3西格玛）

Question

我有一个数据框和数字和字符串列。

import numpy as np 
import pandas as pd 
from scipy.stats import zscore 

data = {'c1' : [1., 2., 3., 4.], 'c2' : [4., 3., 2., 1.], 'c3' : [5., 6., 7000., 8.], 
     'c4' : [8., 7., 6., 10000.], 'c5' : ['a', 'b', 'c', 'd']} 

我想用NaN替换数值列中的异常值。

c1 c2 c3 c4 c5 
0 1.0 4.0 5.0 8.0 a 
1 2.0 3.0 6.0 7.0 b 
2 3.0 2.0 NaN 6.0 c 
3 4.0 1.0 8.0 NaN d 

此代码做我想做的事情。

df = pd.DataFrame(data) 
allcol = list(df) 
numcol = [x for x in allcol if x not in ('c5')] 
df[numcol] = df[numcol].mask(~df[numcol].apply(lambda x: zscore(x) < 1.5, axis=1)) 

想知道，如果你知道任何更好的和简单的解决方案...

Answer 1

您可以设置 'C5' 入索引，然后使用：

df1 = df.set_index('c5') 
df1.where(df1.apply(zscore).lt(1.5)).reset_index().reindex_axis(df.columns,1) 

输出：

c1 c2 c3 c4 c5 
0 1.0 4.0 5.0 8.0 a 
1 2.0 3.0 6.0 7.0 b 
2 3.0 2.0 NaN 6.0 c 
3 4.0 1.0 8.0 NaN d