如何将R语言dataframe中的离群值替换为对应列的均值

原代码错误原因 #

• R语言中for循环本身不会返回运算结果，直接将for循环赋值给变量只会得到NULL
• 原代码逻辑为筛选保留非离群值，会缩短对应列的向量长度，无法和原数据框的行列结构匹配

可行实现方案 #

基础R实现 #

# 复制原数据避免修改原始数据
new_df <- scaled.df

# 遍历所有列
for (col in seq_along(new_df)) {
  # 提取当前列的离群值
  outliers <- boxplot.stats(new_df[[col]])$out
  # 定位离群值对应的行索引
  out_idx <- which(new_df[[col]] %in% outliers)
  
  # 仅存在离群值时执行替换
  if (length(out_idx) > 0) {
    # 计算列均值，若需要使用排除离群值后的均值替换，可修改为 mean(new_df[[col]][-out_idx], na.rm = TRUE)
    col_mean <- mean(new_df[[col]], na.rm = TRUE)
    # 替换离群值为列均值
    new_df[[col]][out_idx] <- col_mean
  }
}

Tidyverse 实现 #

library(dplyr)

new_df <- scaled.df %>%
  mutate(across(everything(), ~{
    outliers <- boxplot.stats(.x)$out
    .x[.x %in% outliers] <- mean(.x, na.rm = TRUE)
    .x
  }))

注意事项 #

• 你当前的数据集为46行147列，两种方案的运行效率都足以满足需求，无需额外优化
• 均值计算逻辑可根据实际需求调整：如果需要用剔除离群值后的均值做替换，修改对应均值计算代码即可

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