Поиск, заполнение или удаление отклонений в редакторе Live Editor
Задача Очистить данные об отклонениях позволяет интерактивно обрабатывать отклонения в данных. Задача автоматически генерирует код MATLAB ® для сценария в реальном времени.
С помощью этой задачи можно:
Поиск, заполнение или удаление отклонений из данных в переменной рабочей области.
Настройте методы поиска и заполнения отклонений.
Автоматическая визуализация данных об отклонениях и очищенных данных.
Чтобы добавить задачу «Очистить данные об отклонениях» в живой сценарий в редакторе MATLAB, выполните следующие действия.
На вкладке «Интерактивный редактор» выберите «Задача» > «Очистить данные об отклонениях».
В блоке кода в сценарии введите соответствующее ключевое слово, например outlier или clean. Выберите пункт Очистить данные об отклонениях (Clean Outlier Data) в списке предлагаемых завершений команды.
Input data - Допустимые входные данные из рабочей областиЭта задача работает с данными типа single или double содержится в векторе или таблице переменных. При предоставлении таблицы или расписания для входных данных укажите Все поддерживаемые переменные для очистки всех переменных с типом single или doubleили выберите, какой single или double для очистки переменных выберите Указанные переменные, а затем выберите переменные по отдельности.
Cleaning method - Метод очистки для заполнения отклоненийLinear interpolation (по умолчанию) | Constant value | Center value | Clip to threshold value | Previous value | Next value | Nearest value | Spline interpolation | Shape-preserving cubic interpolation (PCHIP) | Modified Akima cubic interpolation | ...Укажите метод заполнения отклонений с помощью одной из следующих опций.
| Метод заполнения | Описание |
|---|---|
Linear interpolation | Линейная интерполяция соседних ненулевых значений. |
Constant value | Указанное скалярное значение, которое равно 0 по умолчанию. |
Center value | Значение центра, определенное методом поиска. |
Clip to threshold value | Заполняет нижнее пороговое значение для элементов, меньших, чем нижнее пороговое значение, определенное методом поиска. Заполняется верхним пороговым значением для элементов, превышающим верхнее пороговое значение, определенное методом поиска. |
Previous value | Предыдущее ненулевое значение. |
Next value | Следующее ненулевое значение. |
Nearest value | Ближайшее ненулевое значение. |
Spline interpolation | Кусочно-кубическая интерполяция сплайна. |
Shape-preserving cubic interpolation (PCHIP) | Профильно-сохраняющая кусочно-кубическая интерполяция сплайна. |
Modified Akima cubic interpolation | Модифицированная Akima кубическая эрмитовая интерполяция. |
Detection method - Метод обнаружения отклоненийMoving median (по умолчанию) | Median | Mean | Quartiles | Grubbs | Generalized extreme studentized deviate (GESD) | Moving mean | Percentiles | ...Укажите метод обнаружения отклонений с помощью одной из следующих опций.
| Метод | Описание |
|---|---|
Moving median | Отклонения определяются как элементы, превышающие заданный порог локального масштабированного MAD из локальной медианы над указанным окном. Пороговое значение по умолчанию: 3. |
Median | Отклонения определяются как элементы, превышающие заданный порог масштабированных средних абсолютных отклонений (MAD) от медианы, что составляет 3 по умолчанию. Для входных данных A, масштабированный MAD определяется как c*median(abs(A-median(A))), где c=-1/(sqrt(2)*erfcinv(3/2)). |
Mean | Отклонения определяются как элементы, превышающие указанный порог стандартных отклонений от среднего значения, которое составляет 3 по умолчанию. Этот метод быстрее, но менее надежен, чем Median. |
Quartiles | Отклонения определяются как элементы, превышающие указанный порог межквартильных диапазонов выше верхнего квартиля (75 процентов) или ниже нижнего квартиля (25 процентов), что составляет 1.5 по умолчанию. Этот метод полезен, когда входные данные обычно не распределены. |
Grubbs | Отклонения выявляются с помощью теста Груббса, который удаляет одно отклонение на итерацию на основе проверки гипотез. Этот метод предполагает нормальное распределение входных данных. |
Generalized extreme studentized deviate (GESD) | Отклонения выявляются с использованием обобщенного экстремально изученного теста отклонения для отклонений. Этот итеративный метод аналогичен Grubbs, но может работать лучше, когда несколько отклонений маскируют друг друга. |
Moving mean | Отклонения определяются как элементы, превышающие заданный порог локальных стандартных отклонений от локального среднего значения по заданному окну. Пороговое значение по умолчанию: 3. |
Percentiles | Отклонения определяются как элементы, выходящие за пределы диапазона процентилей, определяемого верхним и нижним порогом. Пороговое значение нижнего процентиля по умолчанию: 10 и пороговое значение верхнего процентиля по умолчанию 90. Допустимые пороговые значения находятся в интервале [0,100]. |
Moving window - Окно для способов перемещенияCentered (по умолчанию) | AsymmetricУкажите тип и размер окна, если метод обнаружения отклонений Moving median или Moving mean.
| Окно | Описание |
|---|---|
Centered | Указанная длина окна центрирована относительно текущей точки. |
Asymmetric | Указанное окно, содержащее число элементов перед текущей точкой и число элементов после текущей точки. |
Размеры окон зависят от переменных единиц по оси X.