Gérer les valeurs aberrantes avec l'écart-type
On vous fournit une basetable qui contient une variable « age ». L'âge est saisi manuellement dans un formulaire en ligne par le donateur; il est donc sujet aux erreurs de frappe et peut comporter des valeurs aberrantes. Remplacez toutes les valeurs inférieures à la moyenne de l'âge moins 3 fois l'écart-type de l'âge par cette valeur, et remplacez toutes les valeurs supérieures à la moyenne de l'âge plus 3 fois l'écart-type de l'âge par cette valeur.
Cette activité fait partie du cours
Analytique prédictive intermédiaire en Python
Instructions de l’exercice
- Affichez la valeur maximale de « age ».
- Calculez la moyenne et l'écart-type de « age ».
- Calculez les limites inférieure et supérieure selon la règle pratique des écarts-types.
- Ajoutez une variable « age_mod » à la basetable avec les valeurs aberrantes remplacées et affichez la nouvelle valeur maximale de « age _mod ».
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Show the maximum age
print(___["___"].___())
# Calculate mean and standard deviation of age
mean_age = ____["____"].____()
std_age = ____["____"].____()
# Calculate the lower and upper limits
lower_limit = ____ - ____ * ____
upper_limit = ____ + ____ * ____
# Add a variable age_no_outliers to the basetable with outliers replaced
basetable["age_mod"] = (pd.Series([____(____(____, ____), ____)
for a in basetable["age"]]))
print(___["___"].___())