Tidyverse单管道实现基于IQR的分组异常值过滤

核心结论 #

• 该需求完全可以在单条管道内实现，不需要拆分第二条管道操作
• 之前写法无法回传阈值的核心原因是误用了summarise()：该函数会按分组将原始数据折叠为每组1行的统计结果，丢失了原始观测行，自然无法完成过滤
• 除了手动计算上下限，也有封装好的函数可以直接调用，不需要手写分位数、IQR计算逻辑

原生dplyr单管道实现方法 #

把summarise()替换为mutate()即可：mutate()不会折叠原始行，会为分组内的每一行都添加上计算好的统计阈值，后续直接接filter()判断即可完成过滤，全程在同一条管道中运行。
示例代码：

iris %>% 
  group_by(Species) %>% 
  mutate(
    # 提前计算Q1/Q3/IQR，避免重复计算
    Q1 = quantile(Sepal.Length, 0.25, na.rm = TRUE),
    Q3 = quantile(Sepal.Length, 0.75, na.rm = TRUE),
    IQR_val = Q3 - Q1,
    upper = Q3 + 1.5 * IQR_val,
    lower = Q1 - 1.5 * IQR_val
  ) %>% 
  # 过滤保留非异常值
  filter(Sepal.Length >= lower, Sepal.Length <= upper) %>% 
  # 移除中间计算用的阈值列，解除分组
  select(-c(Q1, Q3, IQR_val, upper, lower)) %>% 
  ungroup()

注意：不要把列名命名为IQR，会和IQR()函数重名，容易引发计算错误；如果数据存在缺失值，记得把na.rm参数设为TRUE。

更简便的封装实现 #

如果不想手动编写分位数、上下限计算逻辑，可以直接调用现成的异常值判断函数，适配dplyr管道和分组操作：
用rstatix包的is_outlier()函数，默认就采用1.5*IQR的异常值判定规则，代码可以简化为：

library(rstatix)
iris %>% 
  group_by(Species) %>% 
  # is_outlier返回TRUE代表是异常值，取反保留正常观测
  filter(!is_outlier(Sepal.Length)) %>% 
  ungroup()

如果需要调整异常值判定的严苛程度，只需要修改coef参数即可，比如要识别3倍IQR之外的极端异常值，就写成is_outlier(Sepal.Length, coef = 3)，不需要手动调整计算公式。

内容的提问来源于stack exchange，提问作者SysRIP