数据分析——异常数据识别.docVIP

数据分析——异常数据识别 / 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。 一、使用场景 当前异常数据识别的使用场景主要有以下2方面： 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； 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。 二、单变量数据异常识别 1. 简单统计量分析 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。 2. 三倍标准差 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。 3. BOX-COX转化+3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。 Box-Cox变换的一般形式为： 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。 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。 常见的lambda取值为0，0.5，-1；在lambda = 0 时该变换为对数变换，-1时为倒数变换，而0.5时为平方根变换。 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： 4. 箱线图 箱形图（Box plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况的统计图。 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； 箱线图提供了一种数据识别的标准：异常值通常被定义为小于下边缘或者大于上边缘的数据为异常值。 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） 箱线图识别异常数据的优势： 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； 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。 三、时间序列数据异常识别 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。 1. 设置恒定阈值 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。 2. 设定动态阈值-移动平均法 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移动平均法。 所谓移动平均法：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。 使用范围：数据无周期性，数据比较平稳。 3. STL数据拆解法 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； 余项（R_v）：表示时序数据除去趋势项和周期项后的日常波动变化。 一般使用STL需要确定2个点： 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。 拆分规则，是选择加法方式还是乘法方式。 加法方式：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。 乘法方式：原始数据 = 平均季节数据 * 趋势数据 * 余项。 这种方式，直观感受是随着时间的推移季节数据波动会非常明显。 至