ArbitraryOutlierCapper#
- class feature_engine.outliers.ArbitraryOutlierCapper(max_capping_dict=None, min_capping_dict=None, missing_values='raise')[源代码][源代码]#
ArbitraryOutlierCapper() 将变量的最大值或最小值限制为用户指定的任意值。
你必须提供用于限制字典中每个变量的最大值或最小值，字典的键为特征，值为限制值。
更多详情请参阅 用户指南。
- 参数
- max_capping_dict: 字典, 默认=None
包含用户指定的每个变量的分布右尾的封顶值（最大值）的字典。
- min_capping_dict: 字典, 默认=None
包含用户指定的封顶值的字典，用于封顶每个变量的分布尾部的最小值。
- missing_values: string, 默认=’raise’
指示是否应忽略缺失值或引发错误。如果为
'raise'，当fit或transform的数据集包含缺失值时，转换器将返回错误。如果为'ignore'，在学习参数或执行转换时将忽略缺失数据。
- 属性
- right_tail_caps_
包含最大值的字典，超过该值的值将被视为异常值。
- left_tail_caps_:
字典，包含最小值，超过该值的值将被视为异常值。
- 变量_
将要被转换的变量组。
- feature_names_in_:
在
fit过程中看到的特征名称列表。- n_features_in_:
在拟合中使用的训练集中的特征数量。
示例
>>> import pandas as pd >>> from feature_engine.outliers import ArbitraryOutlierCapper >>> X = pd.DataFrame(dict(x1 = [1,2,3,4,5,6,7,8,9,10])) >>> aoc = ArbitraryOutlierCapper(max_capping_dict=dict(x1 = 8), >>> min_capping_dict=dict(x1 = 2)) >>> aoc.fit(X) >>> aoc.transform(X) x1 0 2 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 8 9 8
方法
拟合：
此转换器不学习参数。
fit_transform:
拟合数据，然后进行转换。
get_feature_names_out:
获取转换后的输出特征名称。
get_params:
获取此估计器的参数。
设置参数:
设置此估计器的参数。
转换:
限制变量。
- fit(X, y=None)[源代码][源代码]#
这个转换器不学习任何参数。
- 参数
- X: pandas 数据框，形状为 [n_samples, n_features]
训练输入样本。
- y: pandas Series, default=None
在这个转换器中不需要 y。你可以传递 y 或 None。
- fit_transform(X, y=None, **fit_params)[源代码]#
拟合数据，然后进行转换。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数
- X类似数组的形状 (n_samples, n_features)
输入样本。
- y类数组的形状 (n_samples,) 或 (n_samples, n_outputs)，默认=None
目标值（无监督变换为None）。
- **拟合参数dict
附加的拟合参数。
- 返回
- X_newndarray 数组，形状为 (n_samples, n_features_new)
转换后的数组。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- 返回
- 路由MetadataRequest
一个封装了路由信息的
MetadataRequest。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数
- 深度bool, 默认=True
如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回
- 参数dict
参数名称映射到它们的值。