看了https://blog.csdn.net/zhuiqiuuuu/article/details/82721935 这篇文章，但是因为用不到pd，所以改了改。
先上代码

# Outlier detection
import numpy as np
def detect_outliers2(df):
    outlier_indices = []
    # 1st quartile (25%)
    Q1 = np.percentile(df, 25)
    # 3rd quartile (75%)
    Q3 = np.percentile(df, 75)
    # Interquartile range (IQR)
    IQR = Q3 - Q1
    # outlier step
    outlier_step = 1.5 * IQR
    for nu in df:
        if (nu < Q1 - outlier_step) | (nu > Q3 + outlier_step):
            df.remove(nu)
    return df
if __name__ == '__main__':
    df = [-3331,2,3,4,11111]
    Outliers_to_drop = detect_outliers2(df)
    # Drop outliers
    print(Outliers_to_drop)
输出：[2, 3, 4]
 
效果描述：将输入的df清除异常值
 
理论：
 首先计算出第一四分位数（Q1）、中位数、第三四分位数（Q3）。
 中位数我们都知道，就是将一组数字按从小到大的顺序排序后，处于中间位置（也就是50%位置）的数字。
 同理，第一四分位数、第三四分位数是按从小到大的顺序排序后，处于25%、75%的数字。
 
令 IQR=Q3−Q1IQR=Q3−Q1 ，那么 Q3+1.5(IQR)Q3+1.5(IQR) 和 Q1−1.5(IQR)Q1−1.5(IQR) 之间的值就是可接受范围内的数值，这两个值之外的数认为是异常值。
 抄袭一张图：
 
                    先上代码# Outlier detectionimport numpy as npdef detect_outliers2(df):    outlier_indices = []    # 1st quartile (25%)    Q1 = np.percentile(df, 25)    # 3rd quartile (75%)    Q3 = np.percentile...
AttributeError: 'numpy.ndarray' object has no attribute 'quantile'
报错在于nparray无法使用quantile函数，修改为dataframe后可以使用
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
进行比较的序列很模糊，输出后发现quan.
    # fit the model and predict it
    df = data.copy()
    data_to_predict = data[column].to_numpy().reshape(-1, 1)
    predictions = model.fit_predict(dat
				
异常值处理是数据预处理中的一个重要步骤，随着大数据时代的到来，异常值处理也越来越重要。本文主要总结了一些常用的判断异常值的方法。 
1、3-σ准则 
要求数据服从正态分布，认为大于μ＋3σ或小于μ—3σ的实验数据值作为异常值，其中μ为数据均值，σ为数据标准差 
matlab代码示例%异常值处理
%采用3西格玛方法
clear all;
data0=xlsread('C:\Users\Adm
				
对于正态分布（高斯分布）：3 σ\sigmaσ 原则。更高标准和更低标准可适当调整。
[ X‾\overline { X }X + 3 σ\sigmaσ， X‾\overline { X }X + 3 σ\sigmaσ]
但是并不是所有的从正态分布中抽取的小样本都满足正态分布。
这种情况下 四分位距法就可以进行一定程度上的异常值剔除。
IQR = Q3 − Q1
[Q1 - kIQR, Q3 + ...
在数据处理的过程中，异常值的检测和处理是一个较小的分支，检测的方法也有很多种，本文只介绍其中一种：四分位距法，虽然常见但功能强大。
这种方法是利用箱线图的四分位距（IQR）对异常值进行检测，也叫Tukey`s test。其提供了识别异常值的一个标准：异常值通常被定义为小于QL-1.5IQR 或QU+1.5IQR。
QL：下四分位数，表示全部观察值中有四分之一的数据取值比它小；
	QU：上四分位数，表示全部观察值中有四分之一的数据取值比它大；
	IQR：四分位间距，是上四分位数.
				
可以回答这个问题。Python可以使用numpy库中的percentile函数来计算四分位数，然后根据四分位数和箱线图的定义来判断异常值。具体实现可以参考以下代码：
import numpy as np
def find_outliers(data):
    q1, q3 = np.percentile(data, [25, 75])
    iqr = q3 - q1
    lower_bound = q1 - 1.5 * iqr
    upper_bound = q3 + 1.5 * iqr
    outliers = [x for x in data if x < lower_bound or x > upper_bound]
    return outliers
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 100]
outliers = find_outliers(data)
print(outliers)  # [100]