发布时间：2022-09-03 11:00:02源自：https://www.it-th.com作者 ：it谈话网阅读(286)
异常数据识别在数据分析和数据挖掘中，是经常会遇到的问题。本文会介绍不同场景下，异常数据识别的方法有哪些，以及他们之间的区别。
：
1、数据分析和数据挖掘在正式分析前的数据处理，识别异常数据后，删除或者修正异常数据，避免异常数据影响分析结论
2、 风控业务，通过数据识别异常用户、异常访问、异常订单、异常支付等，避免黑产团队入侵。
对变量做描述性统计，然后再基于业务考虑哪些数据是不合理的。常用的统计量是最大值和最小值，判断这个变量是否超过合理的范围。例如：用户的年龄为150岁，这就是异常的。
定义：如果单变量数据服从正态分布，异常值被定义为与平均值偏差超过3倍标准差的值。
原因：是因为在正态分布的假设下，偏离均值3倍标准差出现的概率小于0.003，是一个小概率事件。
在实际分析中，我们也不一定要拘泥于3倍标准差，可以根据实际严格程度定义，如偏离均值的4倍标准差。
如果原始数据的分布是有偏的，不满足正态分布时，可通过BOX-COX转化，在一定程度上修正分布的偏态。转换无需先验信息，但需要搜寻最优的参数λ。
1）式中y(lambda)为经Box-Cox变换后得到的新变量，y为原始连续因变量，lambda为变换参数。
2）以上变换要求原始变量y取值为正，若取值为负时，可先对所有原始数据同加一个常数a，使其（y+a）为正值，然后再进行以上的变换。
Box-Cox的python实现如下，可直接通过函数boxcox找到最优的lambda和转化后的值：
它能显示出一组数据的最大值、最小值、中位数及上下四分位数
如下图所示：
上四分位数：1/4的样本值取值比他大
下四分位数：1/4的样本值取值比他小
上边缘=上四分位数+1.5*（上四分位数-下四分位数）
下边缘=下四分位数-1.5*（上四分位数-下四分位数）
1）箱线图根据数据的真实分布绘制，他对数据不做任何限制性的要求，比如要服从正态分布等
2）箱线图异常数据识别依赖于上四分数和下四分位数，因此异常值极其偏差不会影响异常值识别的上下边缘。这一点是优于3倍标准差方法的。
日常工作中还有一种场景，是需要对时间序列数据进行监控，如：订单量、广告访问量、广告点击量我们需要从时间维度识别出是否异常刷单、刷广告点击的问题。像广告投放场景下，如果发现渠道刷量，会及时停止广告投放，减少损失。
对于时间序列数据异常识别，根据数据不同的特点，识别方法不同。
如果时间序列呈现平稳分布状态，即时间序列数据围绕中心值小范围内波动我们可以定义上下界的恒定阈值，如果超过上下阈值则定义为异常。
所谓动态阈值是指，当前时间的异常阈值是由过去n段时间的时序数据计算决定的通常对于无周期，比较平稳的时间序列，设定动态阈值的方法是。
就是用过去n个时间点的时序数据的平均值作为下一个时间点的时序数据的预测，
异常数据识别即是：确定固定移动窗口n，以过去n个窗口的指标平均值作为下一个窗口的预测值以过去n个窗口的指标的平均值加减3倍方差作为监控的上下界。
如果时间序列数据是周期性数据，可使用STL算法将时序数据拆解成趋势项、周期项和余项。即每个时刻的时序数据等于当前时序趋势项、周期项和余项的和（或者乘）。
趋势项（T_v）：涵盖了这个时序数据的趋势变化
周期项（S_v）：涵盖了时序数据的周期变化
1）确定数据周期，外卖业务的一个常规周期为7天，在周一至周五又可以将数据周期缩短为1天。
：原始数据 = 平均季节数据 + 趋势数据 + 余项这种方式，随着时间的推移季节数据不会有太大的变化，在以七天为一大周期的业务数据更适合这样的拆分方式。
：原始数据 = 平均季节数据 * 趋势数据 * 余项
至于如何要判断某事的时序数据是否异常，是根据STL分解后的余项来判断一般情况下，余项部分的时序数据是平稳分布状态，我们可对余项设置恒定阈值或者动态阈值，如果某个时间节点的分解余项超过设定阈值，则是异常数据。
python可以用seasonal_decompose可以将时间序列数据拆解成三部分，具体函数代码如下：
import statsmodels.api as sm
from statsmodels.tsa.seasonal
import seasonal_decomposeimport matplotlib.pyplot as plt
# Multiplicative Decomposition
result_mul = seasonal_decompose(data1, model='multiplicative', extrapolate_trend='freq')
Actual_Values = result_mul.seasonal * result_mul.trend * result_mul.resid
# Additive Decomposition
result_add = seasonal_decompose(data1, model='additive', extrapolate_trend='freq')
Actual_Values = result_mul.seasonal + result_mul.trend + result_mul.resid
所谓多变量数据异常识别是指：不只从一个特征去判读数据异常，而是在多个特征下来判断其是否异常。多变量异常数据识别的方法很多，比如聚类模型、孤立森林模型、one-class svm模型等。下面主要介绍简单高效，更容易使用的孤立森林模型。
孤立森林iForest （Isolation Forest） 是一个可扩散到多变量的快速异常检测方法。iForest 适用于连续数据的异常检测，将异常定义为“。用统计学来解释，在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因而可以认为落在这些区域里的数据是异常的。
iForest属于Non-parametric和unsupervised的方法，即不用定义数学模型也不需要有标记的训练。
假设现在有一组一维数据（如下图所示），我们要对这组数据进行随机切分，希望可以把点 A 和点 B 单独切分出来。具体的，我们先在最大值和最小值之间随机选择一个值 x，然后按照 <x 和 >=x 可以把数据分成左右两组。然后，在这两组数据中分别重复这个步骤，直到数据不可再分。显然，点 B 跟其他数据比较疏离，可能用很少的次数就可以把它切分出来点 A 跟其他数据点聚在一起，可能需要更多的次数才能把它切分出来。
我们把数据从一维扩展到两维。同样的，我们沿着两个坐标轴进行随机切分，尝试把下图中的点A'和点B'分别切分出来。我们先随机选择一个特征维度，在这个特征的最大值和最小值之间随机选择一个值，按照跟特征值的大小关系将数据进行左右切分。然后，在左右两组数据中，我们重复上述步骤，再随机的按某个特征维度的取值把数据进行细分，直到无法细分，即：只剩下一个数据点，或者剩下的数据全部相同。跟先前的例子类似，直观上，点B'跟其他数据点比较疏离，可能只需要很少的几次操作就可以将它细分出来点A'需要的切分次数可能会更多一些。
上面其实就是 Isolation Forest（IF）的核心概念。而具体的IF采用二叉树去对数据进行切分，数据点在二叉树中所处的深度反应了该条数据的“疏离”程度。整个算法大致可以分为两步：
：构建一棵 iTree 时，先从全量数据中抽取一批样本，然后随机选择一个特征作为起始节点，并在该特征的最大值和最小值之间随机选择一个值，将样本中小于该取值的数据划到左分支，大于等于该取值的划到右分支。然后，在左右两个分支数据中，重复上述步骤，直到满足如下条件：
数据不可再分，即：只包含一条数据，或者全部数据相同。
二叉树达到限定的最大深度。
：根据估算它在每棵 iTree 中的路径长度（也可以叫深度），计算数据 x 的异常分值，通常这个异常分值越小越异常。
Isolation Forest 算法主要有两个参数：一个是二叉树的个数另一个是训练单棵 iTree 时候抽取样本的数目。实验表明，当设定为 100 棵树，抽样样本数为 256 条时候，IF 在大多数情况下就已经可以取得不错的效果。这也体现了算法的简单、高效。
具体python实现如下：
from sklearn.ensemble import IsolationForest
IsolationForest(*, n_estimators=100, max_samples='auto', contamination='auto', max_features=1.0, bootstrap=False, n_jobs=None, random_state=None, verbose=0, warm_start=False)
参数介绍如下：
1、n_estimators ：int，optional（默认值= 100）
模型拟合中的二叉树数量。
2、max_samples ：int或float，optional（default =“auto”）
每棵二叉树训练需要的样本量。
如果是int，则绘制max_samples样本。
如果是float，则绘制max_samples * X.shape [0]样本。
如果是“auto”，则max_samples = min（256，n_samples）。
如果max_samples大于提供的样本数，则所有样本将用于所有树（无采样）。
3、contamination ：float（0.，0.5），可选（默认值= 0.1）
数据集中异常值的比例。在拟合时用于定义决策函数的阈值。如果是“自动”，则确定决策函数阈值，如原始论文中所示。
4、max_features ：int或float，可选（默认值= 1.0）
训练每棵二叉树的特征数。
如果是int，则绘制max_features特征。
如果是float，则绘制max_features * X.shape [1]特征。
5、bootstrap ：boolean，optional（default = False）
如果为True，则单个树适合于通过替换采样的训练数据的随机子集。
6、n_jobs ：int或None，可选（默认=无）
7. random_state ：int，RandomState实例或None，可选（默认=无）
如果是int，则random_state是随机数生成器使用的种子
如果是RandomState实例，则random_state是随机数生成器
如果没有，随机数生成器所使用的RandomState实例np.random。
下图是我用孤立森林拟合数据识别异常值的可视化图，左边表示原始数据的呈现，右边表示孤立森林异常识别（黑色表示异常，黄色表示正常）从左右对比可看出，离散点都能识别出，但是也有一些偏离中心的正常点也被识别为异常数据。
以上就是我要介绍的异常数据识别的方法，上述方法可以覆盖日常中80%的异常数据识别所以要熟悉掌握这些方法哦，具体细节可加微信继续沟通探讨。
-END-
欢迎分享转载→ 数据分析-异常数据识别
