异常值识别需据数据分布选择方法：正态分布用 Z -score（阈值>3），偏态分布用 IQR；盲目均值填充易扭曲规律，须结合业务逻辑。
异常值自动识别与替换不是“一刀切”，关键看数据分布特征和业务逻辑。盲目用均值或固定阈值填充，可能扭曲真实规律。
基于统计分布的智能识别
正态分布数据优先用 Z -score，偏态数据改用 IQR（四分位距）。Z-score > 3 或
- 用 scipy.stats.zscore() 计算 Z 值，配合 numpy.where() 定位索引
- IQR 推荐用 numpy.percentile(arr, [25, 75]) 手动计算，避免pandas.quantile 在重复值时的插值偏差
- 对多变量数据，别逐列独立检测——用马氏距离（Mahalanobis distance）识别多元异常组合
结合业务规则的动态阈值
纯统计方法会误杀合理极值。比如电商订单金额，单笔 10 万元可能是黑产，也可能是企业采购。需嵌入业务上下文：按用户等级、时间周期、品类维度分组后分别建阈值。
- 用 pandas.groupby().agg({‘amount’: [‘mean’, ‘std’, ‘count’]}) 获取分组统计基准
- 对高频操作字段（如登录失败次数），设定“过去 7 天均值 + 2 倍标准差”作为实时告警线
- 把规则写成字典结构，便于配置化管理，例如：{‘user_type’: {‘vip’: {‘max_login_fail’: 10}, ‘normal’: {‘max_login_fail’: 3}}}
异常值替换策略要分类型处理
数值型、类别型、时间型异常不能统一填均值。类别字段填“Unknown”比填众数更安全；时间字段异常（如出生年份为 2100）建议置空或转为 NaT；而连续数值可考虑局部加权平均（如 KNN 均值）而非全局均值。
立即学习“Python 免费学习笔记（深入）”；
- 用 sklearn.impute.KNNImputer 对数值型做邻近样本插补，保留变量间关系
- 类别型字段用 sklearn.impute.SimpleImputer(strategy=’constant’, fill_value=’MISSING’)
- 对时序数据，优先用前向填充（ffill）或线性插值，避免破坏趋势结构
留痕与可逆性设计
清洗不是终点，而是分析起点。所有替换操作必须记录原始值、判定依据、执行时间，否则后续归因无法回溯。
- 新增三列：original_value（原值）、is_outlier（布尔标记）、impute_method（填充方式）
- 用 pandas.DataFrame.assign() 链式添加，避免重复赋值覆盖
- 把清洗日志写入 csv 或数据库 表，字段包括：表名、字段名、异常数量、替换比例、操作人（脚本名）
基本上就这些。核心是别让 算法 替你做业务判断，工具 只是放大你的逻辑——先想清楚“什么算异常”，再选方法，最后留证据。
以上就是python
