异常值处理

异常值（Outliers）是指与大部分样本不符合的极端数值，可能会对数据分析和建模产生不良影响。

为了识别和处理异常值，可以使用以下方法：

自动识别异常值的常用方法：

（1） MAD（中位数绝对偏差）：计算每个数据点与数据集中位数的绝对偏差的中位数，常用于鲁棒性（健壮性）数据分析。不受极端值的影响，对非正态分布数据也适用。

（2） IQR（四分位差）：计算数据集的第一四分位数（Q1）和第三四分位数（Q3），通过计算Q3和Q1之间的差异来确定异常阈值。IQR方法对极端值相对鲁棒，不受极端值的影响。

（3）3sigma法：3sigma方法是一种常用的异常值识别方法，广泛应用于统计学和数据分析领域。根据数据集的均值和标准差，将数据集中偏离均值3倍标准差的数据点定义为异常值。

（4）自定义方法：允许指定自定义的异常值识别条件与阈值。

异常值处理方法：

（1）填充平均值（mean）：将异常值填充为数据集的平均值。

（2）填充中位数（median）：将异常值填充为数据集的中位数。

（3）填充众数（mode）：将异常值填充为数据集的众数。

（4）填充零（zero）：将异常值填充为数字0。

（5）填充随机值（random）：将异常值填充为随机选择的数据集中非空值的随机数。

（6）自定义填充（custom）：允许指定自定义的填充数值。

使用时可以根据数据需求对数据进行恰当的处理，以便进行后续分析。