基于分组数据框的SVM离群值检测实现问题求助

我来帮你搞定这个问题！你之前的代码只完成了模型训练的环节，没有对每个分组的样本执行预测，也没把结果整合回原数据框。下面是完整的解决方案，分两种实现方式，你可以按需选择：

方式一：用dplyr实现（推荐，代码更简洁易读） #

首先加载需要的包：

library(e1071)
library(dplyr)

先构造测试用的数据框（和你提供的一致）：

df <- data.frame(
  Value = c(21, 24, 17, 2, 56, 25),
  Country = c("RU", "NG", "EG", "EG", "RU", "EG"),
  ID = c("AAAU9001025", "AAAU9001848", "ACLU2799370", "ACLU2799370", "ACLU2799370", "AMFU3022141")
)

核心处理代码，直接在原数据框新增SVM列：

df_with_svm <- df %>%
  group_by(Country) %>%
  mutate(
    SVM = {
      # 按照你的需求限制训练样本量：超过50000取前50000，否则用全部
      train_samples <- if(n() > 50000) head(Value, 50000) else Value
      # 训练One-Class SVM：注意特征要转成矩阵格式
      svm_model <- e1071::svm(
        x = as.matrix(train_samples),
        nu = 0.98,
        type = "one-classification",
        kernel = "polynomial"
      )
      # 对当前分组的所有样本做预测，返回逻辑值（TRUE=离群，FALSE=正常）
      predict(svm_model, newdata = as.matrix(Value))
    }
  ) %>%
  ungroup()

运行后查看结果，完全符合你的预期：

print(df_with_svm)

输出：

# A tibble: 6 × 4
  Value Country ID            SVM  
  <dbl> <chr>   <chr>         <lgl>
1    21 RU      AAAU9001025   FALSE
2    24 NG      AAAU9001848   FALSE
3    17 EG      ACLU2799370   FALSE
4     2 EG      ACLU2799370   TRUE 
5    56 RU      ACLU2799370   TRUE 
6    25 EG      AMFU3022141   FALSE

方式二：用基础R实现（不依赖dplyr） #

如果你不想用dplyr，用基础R的split+lapply也能实现：

library(e1071)

# 1. 按国家分组训练模型
svm_models <- lapply(split(df, df$Country), function(group_data) {
  train_samples <- if(nrow(group_data) > 50000) group_data$Value[1:50000] else group_data$Value
  e1071::svm(
    x = as.matrix(train_samples),
    nu = 0.98,
    type = "one-classification",
    kernel = "polynomial"
  )
})

# 2. 对每个样本做预测并合并到原数据框
df$SVM <- unlist(lapply(seq_len(nrow(df)), function(row_idx) {
  current_country <- df$Country[row_idx]
  predict(svm_models[[current_country]], newdata = as.matrix(df$Value[row_idx]))
}))

关键细节说明 #

• 为什么要转成矩阵？：e1071::svm要求输入的特征必须是矩阵/数据框格式，单独的数值向量会报错，所以要用as.matrix()转换。
• 预测结果的含义：One-Class SVM的predict()返回TRUE表示该样本是离群值，FALSE表示属于正常样本，正好匹配你的需求。
• 样本量限制：保留了你原代码中“超过50000样本则取前50000训练”的逻辑，避免大样本下的内存溢出问题。

内容的提问来源于stack exchange，提问作者Matan Retzer