筛选异常值的要使用PythonGrubbs' Test方法分别筛选油箱文件中的OILTEMPER和LOADFACTOR两列数据中的异常数据并显示出来

Grubbs' Test是一种统计方法，用于检测一组数据中的异常值（也称为离群点）。这种测试假设数据是正态分布的，并且用于识别单个异常值。Python中可以使用`scipy`库中的`grubbs_test`函数来进行Grubbs' Test。以下是一个简单的例子，展示了如何对油箱文件中的'OILTEMPER'和'LOADFACTOR'两列数据进行Grubbs' Test，并筛选出异常值。

import pandas as pd
from scipy import stats

# 假设df是已经加载的油箱文件数据，数据格式为DataFrame，列名为'OILTEMPER'和'LOADFACTOR'
# 请先自行加载数据并确保列名正确

# 示例数据
data = {
    'OILTEMPER': [120, 122, 121, 135, 121, 122, 180],  # 示例数据，实际应用中应该是从文件读取
    'LOADFACTOR': [0.8, 0.81, 0.82, 0.83, 0.90, 0.85, 0.87]  # 示例数据
}

df = pd.DataFrame(data)

# 进行Grubbs Test
def grubbs_test(column):
    # 计算Grubbs' Test的统计量和临界值
    stat, p_value = stats.gaussian_grubbs_test(column)
    # 判断是否是异常值
    if p_value < 0.05:  # 通常取显著性水平α为0.05
        print(f"在列'{column.name}'中发现异常值: {column[np.argmax(column)]}")
    else:
        print(f"在列'{column.name}'中未发现异常值")

# 对每一列进行Grubbs' Test
for col in ['OILTEMPER', 'LOADFACTOR']:
    grubbs_test(df[col])

在上面的代码中，我们首先导入了必要的库，并创建了一个包含示例数据的DataFrame。然后，我们定义了一个`grubbs_test`函数来执行Grubbs' Test，并打印出异常值。在实际应用中，您需要替换示例数据为实际的油箱文件数据。

需要注意的是，Grubbs' Test一次只能检测一个最极端的离群点，所以如果怀疑存在多个异常值，需要多次重复测试，每次排除一个离群点后再进行下一次测试。