資料處理——拉伊達法則去除異常值(Python實現)
技術標籤:數學建模Pythonpython資料分析資料探勘數學建模
資料處理——拉伊達法則去除異常值(Python實現)
背景:
題目出自2020年中國研究生數學建模競賽B題
程式碼及附件
上傳時間:2020.12.24
1 資料採集
原始資料採集來自於中石化高橋石化實時資料庫(霍尼韋爾PHD)及LIMS實驗資料庫。其中操作變數資料來自於實時資料庫,採集時間為2017年4月至2020年5月,採集操作位點數共354個。2017年4月至2019年9月,資料採集頻次為3分鐘/次;2019年10月至2020年5月,資料採集頻次為6分鐘/次。原料、產品和催化劑資料來自於LIMS實驗資料庫,資料時間範圍為2017年4月至2020年5月。其中原料及產品的辛烷值是重要的建模變數,該資料採集頻次為每週2次。
2 資料整定
原始資料中,大部分變數資料正常,但每套裝置的資料均有部分位點存在問題:部分變數只含有部分時間段的資料,部分變數的資料全部為空值或部分資料為空值。因此對原始資料進行處理後才可以使用。資料處理方法如下:
(1)對於只含有部分時間點的位點,如果其殘缺資料較多,無法補充,將此類位點刪除;
(2)刪除325個樣本中資料全部為空值的位點;
(3)對於部分資料為空值的位點,空值處用其前後兩個小時資料的平均值代替;
(4)根據工藝要求與操作經驗,總結出原始資料變數的操作範圍,然後採用最大最小的限幅方法剔除一部分不在此範圍的樣本;
(5)根據拉依達準則(3σ準則)去除異常值。
3σ準則:設對被測量變數進行等精度測量,得到x1,x2,……,xn,算出其算術平均值x及剩餘誤差vi=xi-x(i=1,2,…,n),並按貝塞爾公式算出標準誤差σ,若某個測量值xb的剩餘誤差vb(1<=b<=n),滿足|vb|=|xb-x|>3σ,則認為xb是含有粗大誤差值的壞值,應予剔除。貝塞爾公式如下:
3 樣本確定
本題目標為降低S Zorb裝置產品辛烷值損失,故確定樣本的主要依據為樣品的辛烷值資料。由於辛烷值的測定資料相對於操作變數資料而言相對較少,而且辛烷值的測定往往滯後,因此確定某個樣本的方法為:以辛烷值資料測定的時間點為基準時間,取其前2個小時的操作變數資料的平均值作為對應辛烷值的操作變數資料。
4 Python程式碼
- 讀取 excel表格資料
- 去除空值、殘缺資料過多(大於10個)的位點
- 殘缺資料少的位點 資料用同位點平均值替代
- 根據 拉伊達準則 去除異常值
import numpy as np
import pandas as pd
import xlrd
import xlwt
import openpyxl
import math
import matplotlib.pyplot as plt
from datetime import date, datetime
# 用來正常顯示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']
# 用來正常顯示負號
plt.rcParams['axes.unicode_minus'] = False
# 定義正態分佈函式
def pdf(x, ave, std):
y = (1.0 / math.sqrt(2 * math.pi * std)) * np.exp(-(x - ave) ** 2 / (2 * std ** 2))
return y
# 通過路徑,開啟檔案工作簿
#313
# ExcelFile = xlrd.open_workbook(r'F:\0.0\競賽\2020數學建模\1111\附件三:285號和313號樣本原始資料 1.xlsx')
#285
ExcelFile = xlrd.open_workbook(r'F:\0.0\競賽\2020數學建模\1111\313.xlsx')
# 通過sheet名查詢開啟工作表
sheet = ExcelFile.sheet_by_name('操作變數')
# 通過sheet索引查詢開啟工作表
# sheet=ExcelFile.sheet_by_index(4)
# 列印輸出當前工作表名,行數以及列數
print('當前工作表名,行數以及列數' + sheet.name, sheet.nrows, sheet.ncols)
# 獲取行或者列中部分元素的值sheet.row_values(a,b,c) sheet.col_values(a,b,c)
# a,b,c均從0開始計數,從b號元素開始到c-1號元素,不包含c號元素
# 確定 各列輸出列表
outX1 = [] #均值輸出
list_1 = [] #空 列表
Z1 = 0 # 計算多少列剔除異常值
for a in range(1,355):
# rowsData=sheet.row_values(3,1,355) #取第4列,第2號元素到第355號元素
# 285 號
colsData = sheet.col_values(a, 3, 43) #取第2列,第4號元素到第43號元素
#313 號
#colsData = sheet.col_values(a, 43, 84) # 取第2列,第4號元素到第43號元素
# 列印輸出取出的資料元素,預設資料型別為list
# print("取出的資料元素:")
# print(colsData)
# 將list型別的資料轉換成array型別
data = np.array(colsData)
# 計算資料的算術平均值、標準誤差以及剩餘誤差
arithmeticMean = data.mean()
standardDeviation = data.std()
residualError = abs(data - arithmeticMean)
# 列印輸出均值和標準差
# print('列算數平均值、標準誤差以及剩餘誤差:')
# print(arithmeticMean, standardDeviation, residualError)
# 未測位點判斷
if standardDeviation == 0:
X1 = 0
print('第' + str(a) + '列資料全為0,算術平均值:' + str(X1))
#print('注:本列全為0,缺損值過多')
continue
else :
#解決缺損值問題
Y1 = 0 #計算缺損資料量個數
for i in range(0,40):
if colsData[i] == 0:
#求缺損值的個數
Y1 = Y1 + 1
#缺損值不多時,用平均值替代
if 0 < Y1 <= 10:
arithmeticMean = arithmeticMean * 40 / (40 - Y1)
print('第' + str(a) + '列有少量缺損值,已替換')
elif Y1 > 10:
arithmeticMean = arithmeticMean * 40 / (40 - Y1)
print('第' + str(a) + '列缺損值過多,已刪除此為點')
if __name__ == '__main__':
# plot histgram of its distribution
x = np.sort(data)
y = pdf(x, arithmeticMean, standardDeviation)
# 去除異常值
good_x = []
outliers = []
for i, j in zip(residualError, x):
if i < 3 * standardDeviation:
good_x.append(j)
else:
outliers.append(j)
good_x = np.array(good_x)
goodArithmeticMean = good_x.mean()
goodStandardDeviation = good_x.std()
good_y = pdf(good_x, goodArithmeticMean, goodStandardDeviation)
#求解 剔除異常值之後的算術平均值
if outliers != list_1:
X1 = (arithmeticMean * 40 - sum(outliers))/(40 - len(outliers))
print('第' + str(a) + '列剔除的異常值為:', outliers)
print('第' + str(a) + '列資料的移除異常值之後的算數平均值:' + str(X1))
Z1 = Z1 + 1
else:
X1 = arithmeticMean
print('第' + str(a) + '列資料的算術平均值:' + str(X1))
# 將處理之後的資料列印輸出
outX1.append(X1)
# # 資料視覺化
# plt.plot(x, y, c='b', label=u'原始值')
# plt.plot(good_x, good_y, c='r', label=u'去除異常值後資料')
# plt.title('Normalization distribution curve 313號第' + str(a) + '列元素')
#
# if outliers != list_1:
# plt.ylabel(u"標準差太小")
# plt.xlabel(u'原始資料 剔除的異常值為:'+ str(outliers))
# else :
# plt.xlabel(u"原始資料")
#
# plt.legend()
# plt.show()
# 資料視覺化
if outliers != list_1:
plt.ylabel(u"標準差太小")
plt.xlabel(u'原始資料 剔除的異常值為:'+ str(outliers))
plt.plot(x, y, c='b', label=u'原始值')
plt.plot(good_x, good_y, c='r', label=u'去除異常值後資料')
plt.title('Normalization distribution curve 313號第' + str(a) + '列元素')
plt.legend()
plt.show()
print('處理之後的資料:' )
print(outX1)
print('共計' + str(Z1) + '列剔除了 異常值')
# #將資料寫入新檔案
# #開啟工作簿,進行操作
# wb = openpyxl.Workbook()
# sheet = wb.active
#
# # sheet['A1'] = 'hello'
# # print(sheet['A1'].value)
#
# #新建立頁
# ws1 = wb.create_sheet('285')
# #ws2 = wb.create_sheet('313')
# row = 0
#
# ws1.append(outX1)
# #ws2.append(outX1)
# #313號樣本給入 313 #285號樣本給入 285
#
# wb.save(filename='date.xlsx')
# print('寫入成功')