按照百分比取出数据的去极值方法

• 2019 年 10 月 8 日
• 筆記

去极值的方法，可以用均值加n倍的方差，来过滤，也可以用中位数加上下范围来过滤。如聚宽就提供了winsorize和winsorize_med等方法。

但我总觉得不合心意，第一，这个过程本来就是需要不断调整参数的，最好能够按照一定步长来取数据，逐条显示取出数据的数量，占比，方差等。此外，参数最好指定数据的百分比，用户只要指定百分比，就能够获得相应的数据。基于此，设计了一个函数。

from pandas import Series, DataFrame  from jqfactor import winsorize_med  def data_dist(data,step=0.1,maxstep=1,outratio=0.9): #以中位数为中心，数据的分布      print("数据分布，以中位数为中心，默认步长0.1，通过step参数指定，max指定最大step，outratio指定输出百分比(0.9)")      med=data[0].median()      d=max(data[0].max()-med,med-data[0].min())  #最大幅度      f=step      out=None      while(f<maxstep):          d2=data[(data[0]<med+f*d) & (data[0]>med-f*d)]          print("%.2f %.2f%% %d var:%.2f"%(f,len(d2)*100.0/len(data),len(d2),d2[0].std()/med))          if len(d2)*1.0/len(data)>=outratio and out is None:              out=d2.copy(deep=False)          f+=step      return out

这个方法融交互和获取数据于一体，可以一边交互测试，一边设定参数，很python！

取广晟有色1000天的成交量分析，看看效果

arr=get_bars("600259.XSHG", count=1000, unit='1d',fields=['date', 'high','low','volume'],end_dt="2018-12-31")  vol=DataFrame(arr["volume"])  o=data_dist(vol,step=0.01,maxstep=0.5,outratio=0.8)  vol.plot()  o.plot()  print("%d"%(vol.median()))  print("%d"%(vol.mean()))  print("%d"%(o.mean()))

把dataframe传递进去就可以了，默认以中位数为中心，中位数到上下限的最大距离为参考，以指定步长为上下界，取出数据。

可以看出，按80%取出的数据，比原始数据要更加集中，中心点也更加合理