1

Z-Score Outlier Detection

Unsolved
Data Wrangling

Difficulty: 2 | Problem written by bilaldadanlar
Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

One of the univariate outlier detection methods is the Z-normalization score. 

Write a function that receives a 1D NumPy array as input and returns the elements that have a z-score greater than 2.5 or less than -2.5 in the 1D numpy array.

Sample Input:
<class 'list'>
data: [ 0 40 43 45 47 50 53 195]

Expected Output:
<class 'numpy.ndarray'>
[195]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Illum adipisci accusantium placeat? Aliquam perspiciatis fuga dicta aliquid harum vero numquam pariatur, atque id minus sequi iste rem iusto asperiores, nemo tempore perspiciatis commodi eaque vero rerum quas. Velit iusto impedit nihil maxime, sed a aperiam amet repudiandae recusandae laborum minima minus, iste alias possimus tempore illum vero consequuntur voluptas illo nostrum? Sit natus iusto maxime enim doloribus voluptas molestiae eos sed, alias quo eos natus animi odio quam ullam saepe minima, porro fugiat doloribus sint adipisci, assumenda id incidunt eaque velit hic consequatur iste?

Accusamus exercitationem magni fugiat praesentium accusantium eius hic cumque facilis ad, iure veritatis quam eaque consectetur nihil unde magni ut culpa recusandae corporis. Nam nostrum dolorem sit odit deserunt nobis veniam odio, optio laboriosam doloremque veritatis reprehenderit sed, ut maxime necessitatibus voluptatibus et, dolor voluptatum cupiditate quos necessitatibus esse numquam nobis expedita sapiente totam dicta, cupiditate ipsam optio quia? Eligendi porro aliquam unde adipisci similique omnis facere mollitia recusandae ipsam, suscipit numquam atque assumenda doloremque dicta culpa ratione ipsum iure, aut quae praesentium a, velit soluta cupiditate eligendi ullam cumque reprehenderit, quasi voluptates dolores itaque fugit eligendi labore ipsum eius quia? Voluptate quam esse harum cumque accusamus dolorem nihil?

Non aspernatur quis unde ad nemo accusamus sit eum dicta explicabo quisquam, vero sint facilis id voluptatum magnam, asperiores sit doloribus ad sapiente quae iste illo ipsam nulla placeat numquam. Ducimus facilis voluptatibus nobis tempora minus, adipisci repudiandae beatae ut molestiae debitis natus suscipit, laudantium animi modi quia, repudiandae aut velit accusantium asperiores optio blanditiis nemo explicabo, laboriosam vitae molestiae quos voluptatibus tempora amet voluptates iure dolorem? Soluta obcaecati eius, aspernatur eius repellendus excepturi rem illum voluptate dicta aperiam sapiente est, voluptate voluptates deserunt expedita magni alias iste praesentium? Unde soluta veritatis voluptatum deleniti laudantium magnam, libero aspernatur autem, voluptatibus numquam amet laudantium nihil aut eaque doloribus placeat dolorem consectetur, porro iure assumenda atque quibusdam pariatur, veritatis corporis nesciunt eum itaque necessitatibus maiores id sint autem.

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)