R语言实现循环遍历多列检测异常值并生成标记列

核心思路 #

针对数据框中的所有数值特征（排除id列），自动遍历每个特征：计算该特征的均值±3倍标准差作为异常值判定阈值，对每个样本标记是否为异常值（1表示异常，0表示正常），最终生成包含所有异常值标记列的结果数据框。这种方式无需手动指定特征，新增特征或个体时直接运行代码即可。

实现代码 #

# 原数据框
id = c("A1","A2","A3","A4","A5","A6","A7","A8","A9","A10","A11","A12","A13","A14","A15","A16","A17","A18","A19","A20","A21","A22","A23","A24")
x = c(10,4,6,8,9,8,7,6,12,14,11,9,8,4,5,10,14,12,15,7,10,14,24,28)
y = c(1.5,1.2,5,2,0.8,4,1,1.1,1.2,1.4,1.3,1.6,0.9,0.8,1,1.1,1.3,1.5,1.2,1.1,1,1.2,1.1,1)
a = data.frame(id,x,y)

# 自动生成异常值标记
# 获取所有数值特征列（排除id列）
feature_cols = setdiff(colnames(a), "id")

# 初始化结果数据框，保留id列
a_out = a[, "id", drop = FALSE]

# 遍历每个特征列处理
for(col in feature_cols) {
  # 计算特征的均值和标准差（忽略NA值）
  col_mean = mean(a[[col]], na.rm = TRUE)
  col_sd = sd(a[[col]], na.rm = TRUE)
  # 计算异常值判定的上下阈值
  lower_bound = col_mean - 3 * col_sd
  upper_bound = col_mean + 3 * col_sd
  # 生成异常值标记列
  outlier_flag = ifelse(a[[col]] < lower_bound | a[[col]] > upper_bound, 1, 0)
  # 将标记列添加到结果框，列名格式为[特征名]_out
  a_out[[paste0(col, "_out")]] = outlier_flag
}

# 查看最终结果
print(a_out)

代码说明 #

• feature_cols = setdiff(colnames(a), "id")：自动筛选出所有非id的列，确保新增特征时无需手动修改列表
• 循环中通过a[[col]]动态访问当前特征列，计算阈值并生成标记
• 标记列命名规则为[特征名]_out，和需求中的格式一致
• na.rm = TRUE确保计算均值和标准差时忽略缺失值，增强鲁棒性

运行代码后，得到的a_out数据框会自动包含所有特征的异常值标记列，和期望结果完全匹配：x的28被标记为1，y的5被标记为1。

内容的提问来源于stack exchange，提问作者ana_gg