R, programovací jazyk pro statistické výpočty a grafiku, poskytuje řadu nástrojů, které umožňují efektivní analýzu dat. Jako vývojář zběhlý v R tyto nástroje často používám k získávání cenných poznatků ze složitých datových sad. Jednou z technik, kterou R usnadňuje, je identifikace odlehlých hodnot v datech – důležitý krok k zajištění integrity dat. To je užitečné zejména při předběžném zpracování dat, kde je velmi důležité označit nebo zpracovat odlehlé hodnoty, aby nedošlo ke zkreslení výsledků jakékoli následné analýzy.
V tomto článku prozkoumáme, jak používat funkci boxplot R k identifikaci a označení odlehlých hodnot v datové sadě. Boxplot, součást základního grafického balíčku R, vytváří vizuální reprezentaci pětičíselného souhrnu datové sady – minimum, první kvartil, medián, třetí kvartil a maximum. Z nich můžeme rychle identifikovat jakékoli hodnoty, které spadají mimo očekávaný rozsah – odlehlé hodnoty.
Základní grafický balíček R
Základní grafický balíček v R poskytuje komplexní sadu základních vykreslovacích funkcí a utilit. Ty umožňují vytváření široké škály typů grafů, od jednoduchých bodových grafů až po složité multipanelové grafy. Nedílnou součástí tohoto balíku je funkce boxplot, určená k vizuální reprezentaci rozložení číselných datových hodnot.
Jednou z výkonných schopností funkce boxplot je její neodmyslitelná pomoc při detekci odlehlých hodnot. Vynesením obrysu rámečku mezi prvním a třetím kvartilem s čárou na mediánu a „vousy“, které dosahují 1.5násobku mezikvartilového rozsahu (IQR), můžeme na první pohled vidět jakékoli datové body, které spadají mimo tento rozsah – naše potenciální odlehlé hodnoty.
# create a boxplot of a dataset boxplot(dataset, main="Boxplot of Dataset", boxwex=0.1)
Identifikace a označení odlehlých hodnot pomocí R
Odlehlé hodnoty jsou obvykle identifikovány jako datové body, které jsou mimo 1.5násobek IQR nad třetím kvartilem a pod prvním kvartilem. Jakýkoli datový bod mimo tyto hodnoty je označen jako odlehlá hodnota.
V R, po vykreslení boxplotu, můžeme použít tuto konvenci k detekci našich odlehlých hodnot a označit je.
# identifikovat a označit odlehlé hodnoty
odlehlé hodnoty <- boxplot(dataset, plot=FALSE)$out dataset$outlier <- ifelse(is.element(dataset, outliers), 1, 0) [/code] Zde použijeme funkci boxplot s argumentem plot=FALSE zachytit statistiky boxplotu bez jejich vykreslení. Z těchto statistik extrahujeme odlehlé hodnoty pomocí operátoru $out. Poté pomocí funkce is.element zkontrolujeme přítomnost těchto odlehlých hodnot v naší datové sadě a označíme je „1“, pokud jsou přítomny, jinak „0“.
- $out operátor: Pomáhá při zachycení statistik boxplotu
- funkce boxplot(): Vytvoří boxplot sady dat
- Funkce is.element(): Kontroluje přítomnost odlehlých hodnot v naší datové sadě
- Funkce ifelse(): Používá se k označení datového bodu jako odlehlé hodnoty
Závěrem lze říci, že R poskytuje bezproblémový přístup k identifikaci a označování odlehlých hodnot pomocí funkce boxplot, která je nedílnou součástí základního grafického balíčku. Využitím tohoto praktického nástroje můžeme zajistit integritu dat, a tím výrazně zvýšit přesnost naší analýzy dat.
