《数据科学：R语言实战》一1.2　异常检测

本节书摘来自异步社区《数据科学：R语言实战》一书中的第1章，第1.2节，作者 【美】Dan Toomey（丹·图米），更多章节内容可以访问云栖社区“异步社区”公众号查看

1.2 异常检测

我们可以使用R编程来检测数据集中的异常。异常检测可用于入侵检测、欺诈检测、系统健康状态等不同领域。在R编程中，这些被称为异常值。R编程允许用多种方法对异常值进行检测：

统计测试； 基于深度的方法； 基于偏差的方法； 基于距离的方法； 基于密度的方法； 高维方法。 1.2.1 显示异常值

R编程存在可以显示异常值的函数：identify (in boxplot)。

boxplot函数生成了一个盒须图（请看下图）。boxplot函数有若干图形选项，比如此示例，我们无需进行任何设置。

identify函数是便于标记散点图中点的方法。在R编程中，箱线图是散点图的一种。

1．示例1
在此示例中，我们需要生成100个随机数，然后将盒中的点绘制成图。

然后，我们用第一个异常值的标识符来对其进行标记：

 y - rnorm(100)

 boxplot(y)

 identify(rep(1, length(y)), y, labels = seq_along(y))

注意图中接近异常值的0。

2．示例2
boxplot函数同样也会自动计算数据集的异常值。

首先，我们会生成100个随机数（注意：此数据是随机生成的，所以结果可能不同）：

 x - rnorm(100)

可通过使用下列代码查看摘要信息：

 summary(x)

 Min. 1st Qu. Median Mean 3rd Qu. Max.

-2.12000 -0.74790 -0.20060 -0.01711 0.49930 2.43200

现在，我们可以通过使用下列代码显示异常值：

 boxplot.stats(x)$out

[1] 2.420850 2.432033

下列代码会用图表表示数据集，并且突出显示异常值：

 boxplot(x)

..\16-0708 图\0860OS_01_11.png

注意图中接近异常值的0。
我们可以通过使用汽车的内置数据生成含有更常见数据的箱线图，这些数据与异常值存在相同的问题，如下所示：

boxplot(mpg～cyl,data=mtcars, xlab="Cylinders", ylab="MPG")

3．另一个有关异常检测的示例
当有两个维度时，我们同样也可以使用箱线图的异常值检测。注意：我们通过使用x和y中异常值的并集而非交集解决问题。此示例就是要显示这样的点。代码如下所示：

 x - rnorm(1000)

 y - rnorm(1000)

 f - data.frame(x,y)

 a - boxplot.stats(x)$out

 b - boxplot.stats(y)$out

 list - union(a,b)

 plot(f)

 px - f[f$x %in% a,]

 py - f[f$y %in% b,]

 p - rbind(px,py)

 par(new=TRUE)

 plot(p$x, p$y,cex=2,col=2)

C:\Users\LL\Desktop\43590\image13.png

虽然R确实按照我们的要求去做了，但是此图看起来不对。我们完全是在编造数据，在真正的use case中，需要利用专业知识以便确定这些异常值是否正确。

1.2.2 计算异常

考虑到构成异常的多样性，R编程带有可以让您完全控制异常的机制：编写能够用于做决策的函数。

1．用法
我们可使用name函数创建异常，如下所示：

name - function(parameters,…) {

 # determine what constitutes an anomaly

 return(df)

}

这里，参数是我们需要在函数中使用的数值。假设我们将函数返回为数据框。利用此函数可以完成任何工作。

2．示例1
我们会在此示例中使用iris数据，如下所示：

 data - read.csv("http://archive.ics.uci.edu/ml/machine-learningdatabases/

iris/iris.data")

如果我们决定当萼片低于4.5或高于7.5时存在异常，就使用下列函数：

 outliers - function(data, low, high) {

 outs - subset(data, data$X5.1 low | data$X5.1 high)

 return(outs)

 }

然后，我们会得出下列输出数据：

 outliers(data, 4.5, 7.5)

 X5.1 X3.5 X1.4 X0.2 Iris.setosa

8 4.4 2.9 1.4 0.2 Iris-setosa

13 4.3 3.0 1.1 0.1 Iris-setosa

38 4.4 3.0 1.3 0.2 Iris-setosa

42 4.4 3.2 1.3 0.2 Iris-setosa

105 7.6 3.0 6.6 2.1 Iris-virginica

117 7.7 3.8 6.7 2.2 Iris-virginica

118 7.7 2.6 6.9 2.3 Iris-virginica

122 7.7 2.8 6.7 2.0 Iris-virginica

131 7.9 3.8 6.4 2.0 Iris-virginica

135 7.7 3.0 6.1 2.3 Iris-virginica

为了获得预期的结果，可以通过向函数传送不同的参数值灵活地对准则进行轻微调整。

3．示例2
另一个受欢迎的功能包是DMwR。它包括同样可以用于定位异常值的lofactor函数。通过使用以下指令可对DMwR功能包进行安装：

 install.packages("DMwR")

 library(DMwR)

我们需要从数据上移除“种类”列，原因在于其是根据数据进行分类的。可通过使用以下指令完成移除：

 nospecies - data[,1:4]

现在，我们确定框中的异常值：

 scores - lofactor(nospecies, k=3)

然后，我们查看异常值的分布：

 plot(density(scores))

一个兴趣点在于：在若干异常值中（即密度约为4）是否存在非常接近的等式。
9月20日云栖精选夜读 | 如何轻松搞定数据科学面试：Python＆R语言篇 对于数据科学家来说，工作的一大部分都需要在交互式编程环境中对数据进行处理、分析和可视化。 在过去几年，R语言和Python成了进行数据科学中最炙手可热的两种语言。这两种语言各有优缺点，掌握这两种语言大有益处，但是针对面试者而言，最好的方式是学习其中一种并熟练掌握。
这是R数据科学的读书笔记之一，《R数据科学》是一本教你如何用R语言进行数据分析的书。即便我使用R语言快2年多了，但是读这本书还是受益颇多。
这是R数据科学的读书笔记之一，《R数据科学》是一本教你如何用R语言进行数据分析的书。即便我使用R语言快2年多了，但是读这本书还是受益颇多。
Python赶超R语言，成为数据科学、机器学习平台中最热门的语言？ 近日，kdnuggets做了一个关于数据科学、机器学习语言使用情况的问卷调查，他们分析了954个回答，得出结论——Python已经打败R语言，成为分析、数据科学和机器学习平台中使用频率最高的语言。
异步社区 异步社区(www.epubit.com)是人民邮电出版社旗下IT专业图书旗舰社区，也是国内领先的IT专业图书社区，致力于优质学习内容的出版和分享，实现了纸书电子书的同步上架，于2015年8月上线运营。公众号【异步图书】，每日赠送异步新书。