将上述代码整合成一个函数

这段代码可以整理成一个通用的函数，接受数据集、采样大小、是否进行异常值移除等参数，下面是函数化的版本：

import numpy as np
import matplotlib.pyplot as plt
from typing import List

def plot_and_clean_data(dataset: List[np.ndarray], sample_size: int, remove_outliers: bool, labels: List[str]):
    fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(10, 8), sharex=True, sharey=True)
    
    for i, (data, ax, label) in enumerate(zip(dataset, axs.flatten(), labels)):
        # 从数据集中随机抽取指定大小的样本
        sampled_data = np.random.choice(data, size=sample_size)

        # 绘制原始数据离散点图
        ax.scatter(range(sampled_data.size), sampled_data, color='blue', label=f'{label}原始数据')

        if remove_outliers:
            # 如果需要，移除粗大误差值
            cleaned_data = remove_outliers(sampled_data)
            ax.scatter(range(cleaned_data.size), cleaned_data, color='orange', label=f'{label}剔除误差值后数据')
        
        ax.set_title(f'{label}数据离散点图')
        ax.set_ylabel(label, fontproperties='Times New Roman')
        ax.legend(prop={'family': 'Simsun'}, loc='lower right')

    # 共享X轴标签
    axs[0, 0].set_xlabel('Index', fontproperties='Simsun')
    
    plt.tight_layout()
    plt.show()

# 调用函数，提供数据集、采样大小和其他参数
data_sets = [N1_data, N2_data, EGT_data, FF_data]
sample_size = 15000
remove_outliers_func = remove_outliers  # 假设这是你的实际异常值移除函数
plot_and_clean_data(data_sets, sample_size, remove_outliers_func, ['N1', 'N2', 'EGT', 'FF'])

这个函数化版本使得你可以方便地针对不同的数据集重复上述流程，只需传递相应的数据、采样大小和异常值处理设置即可。同时，它也简化了代码结构，提高了复用性和可维护性。