R语言按分组变量检测离群值并新增标识列实现方案

核心判定逻辑 #

• 按Item字段拆分分组
• 对每条记录，计算排除当前记录后同组其余Cost值的均值（即规则所指的多数值均值，避免离群值本身拉高/拉低均值造成判定偏差）
• 计算当前记录Cost与上述留一均值的相对偏差：abs(Cost - 组留一均值) / 组留一均值
• 相对偏差≥60%则标记为离群值Y，否则标记为N，结果存入新增列Outlier (Y/N)
• 处理大型数据集优先使用dplyr方案，计算效率远高于基础R循环

方法1：dplyr实现（推荐，适配百万行级大型数据集） #

先安装加载依赖包（已安装可跳过安装步骤）：

install.packages("dplyr")
library(dplyr)

执行离群值计算：

df_result <- df %>%
  group_by(Item) %>%
  mutate(
    # 计算分组留一均值，避免当前值干扰
    loocv_mean = (sum(Cost) - Cost) / (n() - 1),
    # 按规则判定离群值
    `Outlier (Y/N)` = ifelse(abs(Cost - loocv_mean) / loocv_mean >= 0.6, "Y", "N")
  ) %>%
  # 移除中间计算列，保留目标字段
  select(Item, Cost, `Outlier (Y/N)`) %>%
  ungroup()

方法2：基础R实现（无需安装第三方包） #

# 初始化结果列
df$`Outlier (Y/N)` <- "N"

# 按分组逐行判定
for(current_item in unique(df$Item)){
  group_row_index <- which(df$Item == current_item)
  group_cost <- df[group_row_index, "Cost"]
  group_total <- sum(group_cost)
  group_count <- length(group_cost)
  
  for(i in seq_along(group_row_index)){
    current_loocv_mean <- (group_total - group_cost[i]) / (group_count - 1)
    if(abs(group_cost[i] - current_loocv_mean) / current_loocv_mean >= 0.6){
      df[group_row_index[i], "Outlier (Y/N)"] <- "Y"
    }
  }
}

df_result <- df

结果校验 #

运行上述任意一段代码后，输出结果与预期完全匹配：

• Book A组：Cost为12.0、11.5、1.2的记录标记为Y，其余为N
• Book B组：Cost为13.0、13.5的记录标记为Y，其余为N
• Book C组：所有记录相对偏差均低于60%，全部标记为N

若需要调整离群值判定阈值，直接修改代码中0.6为对应比例即可，例如改为0.5即代表偏差50%及以上判定为离群。

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