如何判断检测数据是否异常

以下是判断数据异常的常用方法及适用场景，结合统计学和机器学习技术综合整理：

一、基于统计分布的方法

‌3σ准则（标准差法）‌

适用于正态分布数据，将超出均值±3倍标准差的数据视为异常‌

1

2。

示例代码：

python

Copy Code

def three_sigma(data):

mu, std = np.mean(data), np.std(data)

return mu - 3*std, mu + 3*std

‌Z-score标准化‌

计算数据点与均值的标准差倍数，|Z|>3时判定为异常‌

1

2。

公式：Z = \frac{x - \mu}{\sigma}Z=

σ

x−μ

​

‌箱线图法（IQR准则）‌

通过四分位距（IQR=Q3-Q1）定义异常范围：

下限：Q1 - 1.5×IQR

上限：Q3 + 1.5×IQR

对非对称分布数据鲁棒性较强‌

2

3。

00:00 异常值的定义和影响

00:54 异常值的检测方法

02:29 异常值的处理方法

二、假设检验方法

‌Grubbs检验‌

检测单变量数据集中的单个异常值，需数据服从正态分布‌

1

2。

步骤：

排序数据并计算均值/标准差；

找出与均值差距最大的极值；

计算其Z-score并与临界值比较。

‌MAD法（中位数绝对偏差）‌

用中位数替代均值，对极端值不敏感，适合非正态数据‌

2

3。

公式：MAD = median(|x_i - median(x)|)MAD=median(∣x

i

​

−median(x)∣)

三、时序数据异常检测

‌波动异常‌

环比突增/突降（如日订单量骤升50%）‌

5

6。

‌趋势异常‌

持续上升/下降趋势（如连续7天销量下滑）‌

5

6。

网易:如何做到数据指标异常发现和诊断分析?

头像

大模型爱好者社区

判断数据指标波动异常有哪些方法?

头像

观作东方

四、业务规则与经验

‌阈值法‌

根据业务逻辑设定上下限（如用户日PV>10万触发告警）‌

3

7。

‌分箱离散化‌

将连续变量分箱处理，隔离极端值影响‌

7。

方法选择建议

数据特征 推荐方法

正态分布 3σ准则、Grubbs检验‌

1

2

非对称分布 箱线图、MAD法‌

2

3

多维数据 聚类、孤立森林‌

7

时序数据 波动率检测、LSTM模型‌

5

6

有哪些比较好的做异常值检测的方法?

头像

汀丶人工智能技术

异常值检测大揭秘:多种方法应对数据异常(附代码)

头像

小Z的科研日常

注意事项

异常值可能是数据错误，也可能是业务机会（如欺诈交易）‌

7；

检测后需结合业务分析根因，避免误判‌

5

6。