异常数据检测 | Python实现LOF局部离群因子时间序列异常数据检测算法

---

文章概述

异常检测方法，针对不同的数据形式，有不同的实现方法。常用的有基于分布的方法，在上下 α 分位点之外的值认为是异常值（例如下图），对于属性值常用此类方法。基于距离的方法，适用于二维或高维坐标体系内异常点的判别。例如二维平面坐标或经纬度空间坐标下异常点识别，可用此类方法。

离群点是观察的数据集中明显异常的数据点，或者说，离群点的数据分布与数据集的整体分布不同。离群点检测的目的是检测出那些与正常数据差别较大的数据点，然后根据具体的问题作进一步处理。
离群点检测算法主要有基于统计、聚类、分类、信息论、距离、密度等相关的方法，列表如下

下面要学习一种基于距离的异常检测算法，局部异常因子 LOF算法（Local Outlier Factor）。此算法可以在中等高维数据集上执行异常值检测。
Local Outlier Factor（LOF）是基于密度的经典算法（Breuning et,al 2000），文章发表与SIGMOD 2000 ，到目前已经有 3000+引用。在LOF之前的异常检测算法大多数是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别（比如：DBSCAN