在Python中检测数据异常的方法可分为统计方法、机器学习方法、可视化工具三类，具体如下：

一、统计方法

1. Z-score法

   通过计算数据点与均值的标准化差（Z-score），超过阈值（通常3）的数据点视为异常值。适用于数据近似正态分布的情况。

2. IQR（四分位距）法

   计算第一四分位数（Q1）和第三四分位数（Q3），异常值定义为低于Q1-1.5IQR或高于Q3+1.5IQR的数据点。适用于非正态分布数据，计算简单且稳健。

二、机器学习方法

1. 孤立森林（Isolation Forest）

   通过构建多棵孤立树隔离异常值，异常点通常更易被检测，适用于高维数据集。

2. 局部离群因子（LOF）

   基于数据点的局部密度，异常值密度显著低于周围点，适合复杂分布数据。

3. 高斯混合模型（GMM）

   通过拟合数据分布，识别偏离主要分布的数据点，适用于混合分布场景。

三、可视化工具

1. 箱线图（Box Plot）

   直观展示数据分布，异常值以单独点标记，便于快速识别极端值。

四、其他方法

• 描述性统计（describe（）） ：通过均值、标准差等指标初步判断异常值。

• 深度学习方法 ：如自编码器（Autoencoder）通过重构误差检测异常，适用于复杂模式识别。

注意事项 ：选择方法时需结合数据特性，例如正态分布优先用Z-score，非正态分布推荐IQR或机器学习算法。处理异常值前建议备份原始数据，并根据业务场景决定是删除、替换还是保留。