在数据处理与分析领域，特征工程是重要的环节，其中异常值处理是频率较高，且实际情况又复杂的场景。异常值处理不是什么复杂或需要较高技术的问题。在现今，能够进行异常值处理的工具很多，比如数据量较小的情况下，可以使用Excel、spss、SAS、Stata等标准化工具进行处理，开源的工具也较多，比如R语言、python 语言等。

异常值处理是数据质量保障的重要一步，所以其重要性不言而喻。解下来，小编就同大家一起来回顾和学习python中的异常值处理方法。python异常值处理主要包括三个方面，具体如下图所示：

描述统计

异常值（outlier）的过滤和变换运算在很大程度上其实就是数组运算，具体如下：

找出某列中的值

找出某列中绝对值大小超过3的值，具体实现如下所示：

In [45]: col=data[3]

In [46]: col[np.abs(col)>3]

Out[46]:

97 3.927528

305 -3.399312

400 -3.745356

Name: 3, dtype: float64

any方法：选出全部行

要选出全部含有“超过3或-3的行”，可以利用布尔型DataFrame以及any方法：

np.sign()：控制值范围

np.sign这个ufunc返回的是一个由1和-1组成的数组，表示原始值的符号。将值限制在区间-3到3以内，具体如下：

总结

被异常值过滤和变换运算在数据处理与分析中极为重要，3种python方法教你轻松搞定。大家可以根据实际应用场景，选择适合的python 方法进行异常值处理。喜欢就关注吧！感谢支持！