Python数据分析如何识别异常值_IQR四分位距检测法实战

应统一使用 numpy.quantile 计算 IQR 边界，因其默认线性插值、结果稳定且与 Pandas 一致；标准写法为 q1 = np.quantile(data, 0.25) 和 q3 = np.quantile(data, 0.75)，避免混用 np.percentile。怎么用 numpy.quantile 算 IQR 边界才不翻车直接用 np.percentile 有时会因插值方式不同导致边界偏移，尤其在小样本或重复值多时。推荐统一用 np.quantile，它默认采用线性插值，结果更稳定，且与 Pandas 的 quantile() 行为一致。q1 = np.quantile(data, 0.25) 和 q3 = np.quantile(data, 0.75) 是标准写法，别混用 percentile（后者默认 method='linear' 但旧版本行为不一）数据长度 n 时，<code>quantile 仍会返回数值，但 Q1/Q3 估计极不可靠——此时 IQR 法本身失效，应跳过或加警告遇到全相同值（如 [5,5,5,5]），IQR=0，上下界重合，所有非该值都会被误标为异常；需提前检查 iqr == 0 并处理为什么 1.5 * IQR 是默认阈值，而不是 2 或 31.5 不是统计推导出来的“黄金常数”，而是图基（Tukey）在大量实验中发现的平衡点：既足够敏感以捕获明显离群点，又不至于把尾部正常波动误判为异常。用 2 倍会漏检温和离群，用 3 倍基本只抓极端值（比如传感器彻底失灵），实际中极少用。业务场景决定倍数：金融风控可能用 1.2 提前预警，IoT 设备日志可放宽到 2.0 减少误报不要对所有字段硬套同一倍数——订单金额和用户停留时长的分布形态差异极大，需分列计算若数据明显右偏（如收入），可考虑对数变换后再算 IQR，比强行调高倍数更合理用 Pandas 处理 DataFrame 时，apply 和逐列循环哪个更安全用 df.apply(lambda x: detect_outliers_iqr(x)) 看似简洁，但一旦某列为非数值型（如字符串、时间戳），就会直接报错 TypeError: ufunc 'subtract' not supported...。不如显式遍历数值列，留出容错空间。先筛选数值列：num_cols = df.select_dtypes(include=np.number).columns对每列单独调用检测函数，捕获异常并记录列名，避免整表中断别依赖 df[col].quantile(0.25) 自动跳过 NaN——它默认 skipna=True，但若整列全是 NaN，会返回 nan，后续计算 iqr 得 nan，边界变成 nan，布尔索引全失效画箱线图时 seaborn.boxplot 显示的异常点，和你代码算出的不一致？不是 bug，是绘图库做了额外处理：seaborn 默认用 whis=1.5，但会把须（whisker）末端限制在实际数据的最小/最大值内，而你的代码如果直接用公式算边界，可能得到理论值（比如下界=-12.3，但数据最小是 1），这时 seaborn 会把须拉到 1，而你的逻辑仍按 -12.3 判定——导致“图上没标异常，代码却标了”。 Ideogram Ideogram是一个全新的文本转图像AI绘画生成平台，擅长于生成带有文本的图像，如LOGO上的字母、数字等。