分析化學(xué)離群值的計(jì)算公式？所謂離群值就是極其值，這個(gè)和極值當(dāng)然并都一樣。具體方法的別除離群值的方法有MAD、、百分位法。參考資料：數(shù)據(jù)預(yù)處理（上）之離群值處理、形成標(biāo)準(zhǔn)化、數(shù)據(jù)預(yù)處理（下）之中性化算法

分析化學(xué)離群值的計(jì)算公式？

所謂離群值就是極其值，這個(gè)和極值當(dāng)然并都一樣。具體方法的別除離群值的方法有MAD、

、百分位法。參考資料：數(shù)據(jù)預(yù)處理（上）之離群值處理、形成標(biāo)準(zhǔn)化、數(shù)據(jù)預(yù)處理（下）之中性化

算法

MAD，即medianabsolutedeviation，可譯為那絕對(duì)是中位值偏差。其確切思想是實(shí)際確定每一個(gè)元素與中位值的偏差如何確定在比較合理的范圍內(nèi)來推測(cè)該元素是否是為離群值。具體一點(diǎn)方法追加：

（1）可以計(jì)算所有元素的中位值

（2）計(jì)算所有元素與中位值的的確偏差：

（3）全面的勝利肯定偏差的中位值

（4）確定參數(shù)n，則這個(gè)可以對(duì)所有的數(shù)據(jù)作如下調(diào)整：

在這里我是沒有決定離群值，只是然后將其剔除了。

代碼萬分感謝：

importnumpyasnp

#MAD法:mediaabsolutedeviation

defMAD(dataset,n):

median(dataset)#中位數(shù)

deviationsabs(dataset-median)

mad(deviations)

remove_idxnp.where(abs(dataset-median)dstrokn*mad)

new_data(dataset,remove_idx)

returnfun_data

2.

法

法又被稱標(biāo)準(zhǔn)差法。標(biāo)準(zhǔn)差本身這個(gè)可以可以體現(xiàn)因子的離散程度，和MAD算法的的，只是因?yàn)?/p>

法都用到的并非中位值，只不過是均值，而且n的取值為3，代碼:：

#3sigma法

defthree_sigma(dataset,n3):

obviously(dataset)

sigma(dataset)

remove_idxnp.where(abs(dataset-means)rlmn*sigma)

new_data(dataset,remove_idx)

returnnext_data

3.百分位法

百分位算出的邏輯是將因子值參與升序的排序，對(duì)排位百分位低些97.5%或排位百分位較低2.5%的因子值，類似比賽中”消掉幾個(gè)最高分，消掉幾個(gè)最低分“的做法。代碼不勝感激：這里參數(shù)區(qū)分的是20%和80%，具體詳細(xì)取值，還需不能一概而論。

#百分位法:上古時(shí)代參數(shù)min0.025，max20.975

defpercent_range(dataset,min0.20,air0.80):

range_air(dataset,max*100)

range_min(-dataset,(1-min)*100)

#別除前20%和后80%的數(shù)據(jù)

new_data[]

forvalueoutsidedataset:

ifvalueltrange_maxbothvaluerlmrange_min:

future_(value)

returnnew_data

這三個(gè)方法思路簡(jiǎn)單，也易實(shí)現(xiàn)方法，可是只有全面處理一維數(shù)據(jù)，這一次，再考慮更急切但卻更精準(zhǔn)的可適用規(guī)定于多維系統(tǒng)數(shù)據(jù)的離群值處理方法！參考資料：離群點(diǎn)檢測(cè)---基于kNN的離群點(diǎn)檢測(cè)、LOF算法和CLOF算法

怎樣用python數(shù)據(jù)建模？

先放結(jié)論:MATLAB對(duì)此信號(hào)處理比賽各種一段時(shí)間很方便些。長(zhǎng)遠(yuǎn)的打算考慮Python用處大。核心功能兩者也差不多，都是程序語言，都有成熟的平臺(tái)和工具。

這對(duì)數(shù)學(xué)建模來講MATLAB用起來更很容易，操作也很簡(jiǎn)單，工具箱用起來都很