如何获取异常值索引？多变量异常值移除的优化实现问询

你可以一次性计算所有目标变量的75%分位数，生成逻辑判断标记异常观测，再通过索引筛选保留正常数据，避免分步过滤的累积删除问题。

基础实现代码 #

# 加载dplyr包
library(dplyr)

# 计算目标变量的75%分位数（na.rm处理缺失值）
q_age <- quantile(CD$AGE, probs = 0.75, na.rm = TRUE)
q_amount <- quantile(CD$AMOUNT, probs = 0.75, na.rm = TRUE)

# 标记异常观测的索引：AGE或AMOUNT超过对应分位数即视为异常
outlier_indices <- which(CD$AGE > q_age | CD$AMOUNT > q_amount)

# 保留非异常观测
CD_clean <- CD[-outlier_indices, ]

多变量批量处理方式 #

如果需要处理多个变量，用across函数可以更高效地批量操作：

# 定义需要检查的变量列表
vars_to_check <- c("AGE", "AMOUNT")

# 批量计算各变量的75%分位数
quantiles <- sapply(CD[vars_to_check], quantile, probs = 0.75, na.rm = TRUE)

# 生成异常判断：任意变量超过对应分位数则标记为异常
is_outlier <- CD %>%
  mutate(across(all_of(vars_to_check), ~ .x > quantiles[cur_column()])) %>%
  rowSums(.) > 0

# 获取异常索引并筛选正常数据
CD_clean <- CD[!is_outlier, ]

注意事项 #

• 代码中用|（逻辑或）判断异常：只要任意一个变量超标就算异常。如果需要严格判断（所有变量都超标才算异常），把|换成&即可。
• na.rm = TRUE用于处理数据中的缺失值，避免分位数计算报错。

内容的提问来源于stack exchange，提问作者Antonio