outlier-scan

name	outlier-scan
description	CSV数据异常检测工具，使用Z-score、IQR（四分位距）、移动平均偏离三种方法进行扫描，并自动将检测到的异常点分类为「可解释」或「需关注」，输出详细的JSON报告。当用户需要异常检测、离群值排查或数据质量巡检，提及outlier detection、Z-score、IQR、移动平均偏离等关键词或直接上传CSV文件时触发。
license	MIT

anomaly-detector

多方法异常检测工具，支持 Z-score、IQR（四分位距）、移动平均偏离三种检测方法，对检测到的异常自动分类标注为「可解释」或「需关注」。

能力概览

能力	说明
Z-score 检测	基于标准差偏离程度识别异常，适合近似正态分布数据
IQR 检测	基于四分位距识别异常，对偏态分布更稳健
移动平均偏离	基于滑动窗口均值偏离识别异常，适合时序数据
异常分类	综合多方法结果，将异常标注为「可解释」或「需关注」

Quick Start

# 使用全部方法检测
python3 scripts/anomaly_detector.py data.csv

# 指定方法和列
python3 scripts/anomaly_detector.py data.csv --methods z-score,iqr --columns price,volume

# 自定义阈值，输出到文件
python3 scripts/anomaly_detector.py data.csv --z-threshold 2.5 --window 7 --output result.json

参数说明

参数	类型	默认值	说明
csv_file	位置参数	(必填)	输入 CSV 文件路径
--methods	字符串	z-score,iqr,moving-avg	逗号分隔的检测方法
--columns	字符串	全部数值列	逗号分隔的目标列名
--z-threshold	浮点数	3.0	Z-score 判定阈值
--iqr-multiplier	浮点数	1.5	IQR 倍数（1.5=普通异常, 3.0=极端异常）
--window	整数	5	移动平均窗口大小
--ma-threshold	浮点数	2.0	移动平均偏离阈值（标准差倍数）
--output	字符串	stdout	输出文件路径（JSON 格式）

异常分类规则

脚本会综合所有方法的检测结果，对每个异常点进行分类：

需关注（needs_attention）：满足以下任一条件

• 被 2 种及以上方法同时检出
• Z-score 绝对值 > 阈值 × 1.5（极端偏离）
• IQR 偏离超过 3 倍 IQR（极端离群）

可解释（explainable）：不满足上述条件的异常

• 仅被 1 种方法检出
• 偏离程度温和，可能是正常波动

输出结构

{
  "summary": {
    "total_rows": 100,
    "columns_analyzed": ["price", "volume"],
    "methods_used": ["z-score", "iqr", "moving-avg"],
    "total_anomalies": 8,
    "needs_attention": 3,
    "explainable": 5
  },
  "anomalies": [
    {
      "row": 42,
      "column": "price",
      "value": 999.9,
      "methods_detected": ["z-score" 
       
         
          
      
       
       
    
  
   
     
       
       
       
       
       
       
    
  

使用指南

1. 准备数据：CSV 文件需包含表头行，数值列会被自动识别
2. 选择方法：
   • 数据近似正态分布 → 优先使用 z-score
   • 数据有偏态或不确定分布 → 优先使用 iqr
   • 时序数据关注趋势偏离 → 使用 moving-avg
   • 不确定时使用全部方法（默认），综合判断更可靠
3. 解读结果：优先关注 needs_attention 类异常，explainable 类可作为参考

依赖

仅使用 Python 标准库，无需额外安装：

• csv — CSV 文件读取
• json — JSON 输出
• math — 数学计算
• statistics — 统计函数