分组（聚类）数据异常值检测：R语言逐集群IQR剔除的for循环实现咨询

核心实现逻辑 #

你可以通过for循环逐组提取数据、计算组内IQR阈值、筛选正常数据后合并得到全量清洗后的数据，无需修改原数据集的对应子集，实现逻辑如下： #

完整可运行代码 #

library("ggstatsplot")
# 读取原始数据
df <- read.csv("C:/Users/gadmin/Desktop/dataE.csv", header = TRUE)
# 初始化空数据框，存储所有组剔除异常值后的结果
clean_df <- data.frame()
# 遍历所有唯一的cluster分组（适配cluster编号不连续的场景）
for (current_cluster in unique(df$cluster)) {
  # 提取当前分组的子集
  sub_df <- df[df$cluster == current_cluster, ]
  
  # 计算当前分组repair.price的IQR阈值
  Q <- quantile(sub_df$repair.price, probs = c(.25, .75), na.rm = FALSE)
  iqr <- IQR(sub_df$repair.price)
  up <- Q[2] + 1.5 * iqr
  low <- Q[1] - 1.5 * iqr
  
  # 剔除当前分组的异常值
  sub_clean <- subset(sub_df, repair.price > low & repair.price < up)
  
  # 将当前分组清洗后的数据拼接到结果数据框
  clean_df <- rbind(clean_df, sub_clean)
}
# 输出全量数据处理前后的分布对比图
ggbetweenstats(df, cluster, repair.price, outlier.tagging = TRUE, title = "处理前全量数据分布")
ggbetweenstats(clean_df, cluster, repair.price, outlier.tagging = TRUE, title = "处理后全量数据分布")

如果你要严格使用你给出的序号循环结构，可将循环部分替换为如下代码： #

# 提取所有唯一的cluster列表
cluster_list <- unique(df$cluster)
for(i in 1:length(cluster_list)) {
  current_cluster <- cluster_list[i]
  sub_df <- df[df$cluster == current_cluster, ]
  Q <- quantile(sub_df$repair.price, probs = c(.25, .75), na.rm = FALSE)
  iqr <- IQR(sub_df$repair.price)
  up <- Q[2] + 1.5 * iqr
  low <- Q[1] - 1.5 * iqr
  sub_clean <- subset(sub_df, repair.price > low & repair.price < up)
  clean_df <- rbind(clean_df, sub_clean)
}

注意事项 #

• 该方案默认每个cluster分组的数据量足够计算上下四分位数，如果存在分组样本量过小的情况，可在循环内加判断逻辑跳过或特殊处理
• 如果你需要保留原始数据的行顺序，可在最终清洗完成后对clean_df按原始行号排序即可

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