从PCA和QQ图中识别和去除异常值

Question

我有一个 132 x 107 的数据集，包含两种类型的患者 - （33 个患者 1）和（99 个患者 2）。

我正在寻找异常值，因此已在数据集上运行了 pca，并对前 4 个成分进行了 qqplots，使用以下命令：

pca = prcomp(data, scale. = TRUE)
plot(pca$x, pch = 20, col = c(rep("red", 33), rep("blue", 99)))  

当我使用以下代码绘制第二个成分的 QQ 图时：

qqPlot(pca$x[,2],pch = 20, col = c(rep("red", 33), rep("blue", 99)))     

以下图表显示了2个明显的异常值-位于左下角的红色点，代表患者1。有没有一种简单的方法来确定这些数据点的索引，以便将其删除？

- user2846211

---

如果您提供一个最小化、可复现的示例以及您尝试的代码，那么您更有可能收到有用的答案。谢谢！ - Henrik

Answer 1

因为某种原因，我不相信car包（qqPlot()的源）支持identify方法。

让我们来看一下USArrests数据的主成分分析...

pca <- prcomp(USArrests) 

使用 qqPlot 的绘图非常简单。

require(car)
qqPlot(pca$x[,2],pch = 20, col = c(rep("red", 33), rep("blue", 99)))

然而，qqPlot()不允许通过identify()进行点选择。

identify(qqPlot(pca$x[,2],pch = 20, col = c(rep("red", 33), rep("blue", 99))))
# numeric(0)

然而，您可以使用stats包中的qqnorm()。

identify(qqnorm(pca$x[,2],pch = 20, col = c(rep("red", 33), rep("blue", 99))))

这将生成一个不太复杂的图表，但是您可以通过qqline()（也在stats中）手动添加一条线和置信区间，并进行更多的数学计算。

- joemienko

Answer 2

你可以在R中尝试使用identify方法。通常情况下，请运行。

identify(qqPlot(pca$x[,2],pch = 20, col = c(rep("red", 33), rep("blue", 99))))

在相关数据上左键单击您想要识别的点。得分向量中点的索引应与原始数据中的相同。

- damienfrancois

Answer 3

您可以使用factoextra库中的fviz_pca_ind()函数来可视化影响，如下所示：

require(factoextra)
pca = prcomp(mydata)
fviz_pca_ind(pca,
         col.ind = "contrib", # Color by contribution
         gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07") #assign gradient
         )

这将自动标记个体，并按其影响力进行着色。

- Cole Robertson