Statistical Outlier Detector 统计与机器学习异常值检测 Skill

功能概述

本skill用于结构化表格数据的离群值检验，支持统计阈值、机器学习和分组一致性三类方法。 它既能识别全局分布中的异常值，也能识别按分组字段计算后的组内偏离点。 它适合实验对比数据、分类统计数据、传感器数值表等需要数值一致性检查的场景。 它不负责固定业务上下限校验、枚举词典校验或时间序列完整性校验。

触发条件

当用户请求以下任务时，应使用此skill：

• 异常值检测 / 离群值检测
• IQR / Z-score / 四分位距 / 标准差阈值识别
• Isolation Forest / 孤立森林异常识别
• 按实验组、分类组、批次组检查数值一致性
• 组内均值偏离超过标准差倍数的异常标记

核心参数说明

必需参数

• --input：输入文件路径
• --output：输出文件路径

可选参数

• --columns：要检测的数值字段，逗号分隔；留空时自动使用所有数值字段
• --method：检测方法，默认 iqr
• --threshold：IQR倍数或标准差倍数，默认 1.5
• --contamination：IsolationForest异常比例，默认 0.05
• --group_columns：分组字段，group_zscore 方法必填
• --action：处理方式，默认 mark

输入文件格式

支持 CSV、TSV、Excel（.xls / .xlsx）、JSON、JSONL。 columns 中指定的字段会先转换为数值列后再进行检测；无法转换为数值的值会被视为缺失。 group_columns 仅在分组一致性模式下使用，分组字段本身不参与数值检测。

使用方法

IQR方法检测

python scripts/run_statistical_outlier_detector.py \
  --input data.csv \
  --output result.csv \
  --columns "value,score" \
  --method iqr \
  --threshold 1.5 \
  --action mark

Z-score方法检测

python scripts/run_statistical_outlier_detector.py \
  --input data.csv \
  --output result.csv \
  --columns "value" \
  --method zscore \
  --threshold 3.0 \
  --action remove

IsolationForest方法检测

python scripts/run_statistical_outlier_detector.py \
  --input data.csv \
  --output result.csv \
  --columns "value,score" \
  --method isolation_forest \
  --contamination 0.1 \
  --action mark

分组一致性检测

python scripts/run_statistical_outlier_detector.py \
  --input data.csv \
  --output result.csv \
  --columns "value" \
  --group_columns "experiment,treatment" \
  --method group_zscore \
  --threshold 2.0 \
  --action mark

输出示例

[OK] Outlier detection completed!
   Input file: data.csv
   Output file: result.csv
   Columns: value, score
   Method: group_zscore
   Threshold: 2.0
   Group columns: experiment, treatment
   Action: mark
   Total rows: 1000
   Total outlier rows: 62

环境要求

pip install pandas scipy scikit-learn

注意事项

1. iqr、zscore、group_zscore 支持 mark、remove、clip，isolation_forest 仅支持 mark 和 remove。
2. group_zscore 需要提供 group_columns，否则无法计算组内均值和标准差。
3. columns 为空时会自动选择所有数值列，但仍会忽略无法转为数值的字段。
4. mark 模式会新增 is_outlier 和字段级异常标记列；remove 模式会删除异常行；clip 模式会截断异常数值。
5. 这是统一的离群检验 skill，不再拆分为独立的机器学习异常行检测 skill。