Python에서 이상값 감지 및 제거

1. 환경 설정 및 데이터 세트 로드
2. Python에서 데이터 세트 시각화
3. Python에서 이상값을 감지하는 수학적 방법
4. Python의 DataFrame에서 이상값 제거

데이터 세트 내에서 이상값은 나머지 데이터 세트와 비정상적으로 다른 항목입니다. 그러나 이 정의는 데이터 분석가가 이상에 대한 임계값을 결정할 수 있는 충분한 공간을 제공합니다.

측정 오류, 실행 오류, 샘플링 문제, 잘못된 데이터 입력 또는 자연 변동으로 인해 이상값이 있습니다. 이상값이 있으면 오류가 증가하고 편향이 생기며 통계 모델에 상당한 영향을 줄 수 있으므로 이상값을 제거하는 것이 중요합니다.

이 자습서에서는 데이터 세트에서 이상값을 감지하고 제거하는 방법에 대해 설명합니다. scikit-learn 라이브러리의 일부인 잘 알려진 Boston Housing 데이터 세트에 기술을 적용하여 이를 시연합니다.

이 기사는 이상값을 감지하는 방법을 탐색한 다음 이 기술을 사용하여 이상값을 제거하는 방법을 논의하도록 구성되어 있습니다.

튜토리얼을 따라하려면 Google Colab을 사용하여 브라우저 내에서 수행할 수 있습니다. 새 노트북을 열고 코드를 작성하는 것만큼 간단합니다.

다음은 단계별 Google Colab 시작 가이드입니다.

환경 설정 및 데이터 세트 로드

사용할 몇 가지 라이브러리를 가져오는 것으로 시작합니다.

import sklearn
from sklearn.datasets import load_boston
import pandas as pd
import matplotlib.pyplot as plt

그런 다음 Boston Housing 데이터 세트를 로드할 수 있습니다.

bh_dataset = load_boston()

데이터세트에는 데이터세트의 모든 기능 이름이 포함된 배열인 feature_names 속성이 포함되어 있습니다. data 속성에는 모든 데이터가 포함됩니다.

둘을 분리한 다음 결합하여 Pandas 데이터 프레임을 만듭니다.

columns = bh_dataset.feature_names
df_boston = pd.DataFrame(bh_dataset.data)
df_boston.columns = columns

이제 df_boston에는 전체 데이터 세트가 포함됩니다. Pandas는 .head() 메서드를 사용하여 데이터세트의 미리보기를 얻을 수 있는 깨끗하고 간단한 방법을 제공합니다.

아래와 같이 함수를 호출하면 데이터 세트의 미리 보기가 표시됩니다(아래에도 표시됨).

df_boston.head()

출력:

Python에서 데이터 세트 시각화

데이터 세트를 시각화하기 위한 박스 플롯 생성

Box-and-whisker plot이라고도 하는 Box Plot%20and%20averages.)는 데이터를 시각화하는 간단하고 효과적인 방법이며 이상값을 찾는 데 특히 유용합니다. Python에서는 [seaborn] 라이브러리를 사용하여 데이터 세트의 Box plot을 생성할 수 있습니다.

import seaborn as sns

sns.boxplot(df_boston["DIS"])

위 코드의 플롯:

'DIS'로 데이터 세트를 인덱싱한다는 것은 DIS 열을 박스 플롯 함수로 전달하는 것을 의미합니다. 박스 플롯은 1차원으로 생성됩니다.

따라서 하나의 변수만 입력으로 사용합니다. 변수를 변경하여 다른 박스 플롯을 생성할 수 있습니다.

위의 도표에서 10 이상의 값이 이상값임을 알 수 있습니다. 이제 이것을 이 데이터 세트의 이상값에 대한 표준으로 사용합니다.

아래 예와 같이 np.where를 사용하여 이 기준에 맞는 데이터 세트의 항목을 선택할 수 있습니다.

import numpy as np

DIS_subset = df_boston["DIS"]
print(np.where(DIS_subset > 10))

출력:

이들은 위의 기준에 의해 정의된 이상치인 데이터 포인트를 포함하는 배열 인덱스입니다. 이 기사의 끝에서 이러한 인덱스를 사용하여 데이터 세트에서 이상값을 제거하는 방법을 보여줍니다.

데이터 세트를 시각화하기 위한 산점도 생성

박스 플롯은 단일 차원에 대한 데이터가 있을 때 사용할 수 있습니다. 그러나 데이터 쌍이 있거나 분석 중인 관계에 두 개의 변수가 포함된 경우 산점도를 사용할 수 있습니다.

Python을 사용하면 Matplotlib를 사용하여 산점도를 생성할 수 있습니다. 다음은 산점도를 인쇄하는 코드 예제입니다.

fig, axes = plt.subplots(figsize=(18, 10))
axes.scatter(df_boston["INDUS"], df_boston["TAX"])
axes.set_xlabel("Non-retail business acres per town")
axes.set_ylabel("Tax Rate")
plt.show()

출력:

안구 추정치를 얻으면 일반적으로 x축에서 20보다 큰 값은 이상치처럼 보이고 y축에서 500보다 큰 값은 이상치처럼 보입니다. 이를 이상값을 제거하기 위한 표준으로 사용할 수 있습니다.

이 기준과 일치하는 인덱스를 감지하기 위해 이전에 사용한 것과 동일한 numpy 기능을 사용합니다.

print(np.where((df_boston["INDUS"] > 20) & (df_boston["TAX"] > 500)))

출력:

Python에서 이상값을 감지하는 수학적 방법

Python에서 이상치를 감지하기 위한 Z-Score 계산

[Z 점수](표준 점수라고도 함)는 데이터 포인트가 평균에서 얼마나 많은 표준 편차가 있는지 측정하는 통계입니다. Z 점수가 클수록 데이터 포인트가 평균에서 더 멀리 떨어져 있음을 나타냅니다.

이것은 대부분의 데이터 포인트가 정규 분포 데이터 세트의 평균 근처에 있기 때문에 중요합니다. Z 점수가 큰 데이터 포인트는 대부분의 데이터 포인트에서 멀리 떨어져 있으며 이상치일 가능성이 높습니다.

Scipy의 유틸리티를 사용하여 Z 점수를 생성할 수 있습니다. 다시 한 번 방법을 적용하기 위해 데이터 세트의 특정 열을 선택합니다.

from scipy import stats

z = stats.zscore(df_boston["DIS"])
z_abs = np.abs(z)

위 코드의 첫 번째 줄은 라이브러리를 가져오는 것입니다. 두 번째 줄은 scipy.zscore 메서드를 사용하여 선택한 데이터 세트의 각 데이터 포인트에 대한 Z 점수를 계산합니다.

세 번째 줄에는 모든 값을 양수 값으로 변환하는 numpy 함수가 있습니다. 이는 간단한 필터를 적용하는 데 도움이 됩니다.

배열을 인쇄하면 다음과 같이 표시됩니다.

이 이미지에는 모든 점이 포함되어 있지 않지만 z_abs를 인쇄하여 표시할 수 있습니다.

이제 어떤 점이 이상치로 간주되는지에 대한 기준을 결정해야 합니다. 정규 분포로 작업할 때 평균보다 3 표준 편차가 높은 데이터 포인트는 이상치로 간주됩니다.

99.7%의 포인트가 정규 분포에서 평균의 3 표준 편차 내에 있기 때문입니다. 이는 Z 점수가 3보다 큰 모든 포인트를 제거해야 함을 의미합니다.

다시 한 번 np.where 기능을 사용하여 이상치 지수를 찾습니다. np.where 기능에 대해 자세히 알아보십시오.

print(np.where(z_abs > 3))

출력:

Python에서 이상값을 감지하기 위한 사분위수 범위 계산

이것이 우리가 논의할 마지막 방법입니다. 이 방법은 이상값을 제거하여 데이터를 정리하는 연구에서 매우 일반적으로 사용됩니다.

사분위수 범위(IQR)는 데이터의 세 번째 사분위수와 첫 번째 사분위수 간의 차이입니다. Q1을 첫 번째 사분위수로 정의합니다. 즉, 데이터의 25%가 최소값과 Q1 사이에 있음을 의미합니다.

Q3을 데이터의 세 번째 사분위수로 정의합니다. 즉, 데이터의 75%가 데이터 세트 최소값과 Q3 사이에 있음을 의미합니다.

이러한 정의를 통해 상한 및 하한을 정의할 수 있습니다. 하한 아래 및 상한 위의 모든 데이터 포인트는 이상값으로 간주됩니다.

Lower bound = Q1 - (1.5 * IQR)
Upper bound = Q3 + (1.5 * IQR)

1.5는 임의적으로 보일 수 있지만 수학적 의미가 있습니다. 자세한 수학에 관심이 있다면 이 기사를 보십시오.

이것은 평균에서 최소 3 표준 편차 떨어진 데이터를 찾는 것과 대략 동일하다는 것을 알아야 합니다(데이터가 정규 분포된 경우). 실제로 이 방법은 매우 효과적입니다.

Python에서는 NumPy 함수 percentile()을 사용하여 Q1 및 Q3을 찾은 다음 IQR을 찾을 수 있습니다.

Q1 = np.percentile(df_boston["DIS"], 25, interpolation="midpoint")
Q3 = np.percentile(df_boston["DIS"], 75, interpolation="midpoint")
IQR = Q3 - Q1

데이터 세트에서 IQR을 인쇄하고 다음을 얻습니다.

이제 다음과 같이 상한 및 하한을 정의합니다.

upper_bound = df_boston["DIS"] >= (Q3 + 1.5 * IQR)
lower_bound = df_boston["DIS"] <= (Q1 - 1.5 * IQR)

다시 한 번 np.where를 사용하여 기준에 맞는 포인트에 대한 인덱스를 얻을 수 있습니다.

print(np.where(upper_bound))
print(np.where(lower_bound))

출력:

Python의 DataFrame에서 이상값 제거

dataframe.drop 기능을 사용하여 이상점을 삭제합니다. 기능에 대한 자세한 정보를 보려면 여기를 클릭하십시오.

이를 위해 이상값의 인덱스가 포함된 목록을 함수에 전달해야 합니다. 다음과 같이 할 수 있습니다.

upper_points = np.where(upper_bound)
df_boston.drop(upper_points[0], inplace=True)

포인트가 삭제되었는지 여부를 확인하기 위해 데이터의 모양을 인쇄하여 남아 있는 항목 수를 확인할 수 있습니다.

print(df_boston.shape)
df_boston.drop(upper_points[0], inplace=True)
print(df_boston.shape)

출력:

축하해요! 이는 이상값을 성공적으로 제거했음을 확인합니다. 위에서 사용한 방법을 사용하여 인덱스 목록을 전달하고 드롭 함수에 전달할 수 있습니다.