如何从R中的数据集中识别离群值

Question

因此，我是R的新手，我目前正在尝试识别一组数据中的异常值，到目前为止，我已经输入了R，

lifespan_yrs<- c(38.6, 4.5, 14, 8, 69, 27, 19, 30.4, 28, 50, 7, 30, 3.5,
 40, 3.5, 50, 6, 10.4, 34, 7, 28, 20, 3.9, 39.3, 41, 16.2, 9, 7.6, 46, 22.4, 
 16.3, 2.6, 24, 100, 13, 10, 3.2, 2, 5, 6.5, 23.6, 12, 20.2, 13, 27, 18, 13.7, 
 4.7, 9.8, 29, 7, 6, 17, 20, 12.7, 3.5, 4.5, 7.5, 2.3, 24, 3, 13)

gestation_days<- c(645, 42, 60, 25, 624, 180, 35, 392, 63, 230, 112, 281, 35, 
365, 42, 28, 42, 120, 75, 122, 400, 148, 16, 252, 310, 63, 28, 68, 336, 100, 33, 
 21.5, 50, 267, 30, 45, 19, 30, 12, 120, 440, 140, 170, 17, 115, 31, 63, 21, 52, 
164, 225, 225, 150, 151, 90, 45, 60, 200, 46, 210, 14, 38)

lifespan_yrs

gestation_days

plot(gestation_days,lifespan_yrs)

我有一个数据图，但是问题的下一部分说“调查此图并讨论值得调查的任何数据点”，我的意思是数据中是否存在异常值（我不确定该定义什么我可以/应该使用的离群值），然后在R上是否有办法以这种方式调查数据点？ 请再次用简单的语言进行解释，因为我是R的新手。

谢谢！ 莫莉x

Answer 1

好吧，“异常值”仅表示“在假定的数据模型下概率较低的事物”。 最简单的假设是数据是正态分布的。 正态分布数据的低概率意味着尾巴中的任何东西。 尾部表示与均值相差多个（例如两个）标准偏差的数据。

因此，这导致了一个非常简单的过程。 通过R函数mean计算mean并通过sd计算标准偏差。 然后查看小于均值减去标准差两倍的标准差或大于均值加上标准差两倍的标准差的所有点。这些点在左尾将是几个，在右尾将是几个。 这些数据是否有趣？ 那就是您的教练要问的。

当然，什么是离群值完全取决于为数据假设的模型-如果更改模型，则将更改离群值。 因此，重要的是要弄清楚您的模型是什么，并准备好在有人（例如您的讲师）建议使用其他模型时进行更改。