​​Python处理异常值的核心方法包括统计检测（Z-score/IQR）、可视化识别（箱线图/散点图）和机器学习算法（孤立森林/聚类）​​，通过try-except代码块可优雅捕获运行时错误，而自定义异常类能精准处理业务逻辑问题。以下是具体实现方案：

1. ​​基础异常捕获​​
   使用try-except处理常见异常如除零错误或文件操作：

   python复制
   try:  
       result = 10 / 0  
   except ZeroDivisionError:  
       print("除数不能为零")  

   文件读取时捕获FileNotFoundError：

   python复制
   try:  
       with open("data.txt") as f:  
           content = f.read()  
   except FileNotFoundError:  
       print("文件不存在")  

2. ​​统计方法检测数值异常​​
   ​​Z-score法​​（适用于正态分布数据）：

   python复制
   import numpy as np  
   data = np.array([10, 12, 12, 13, 100])  
   z_scores = (data - np.mean(data)) / np.std(data)  
   outliers = data[np.abs(z_scores) > 3]  # 阈值设为3  

   ​​IQR四分位距法​​（通用性强）：

   python复制
   Q1, Q3 = np.percentile(data, [25, 75])  
   IQR = Q3 - Q1  
   outliers = data[(data < Q1-1.5*IQR) | (data > Q3+1.5*IQR)]  

3. ​​机器学习算法处理复杂异常​​
   ​​孤立森林​​（适合高维数据）：

   python复制
   from sklearn.ensemble import IsolationForest  
   model = IsolationForest(contamination=0.1)  
   outliers = model.fit_predict(data.reshape(-1, 1))  

   ​​K-means聚类​​：

   python复制
   from sklearn.cluster import KMeans  
   kmeans = KMeans(n_clusters=2).fit(data.reshape(-1, 1))  
   outliers = data[kmeans.labels_ == 1]  # 假设异常属于次要簇  

4. ​​自定义异常与资源清理​​
   定义业务异常类并确保资源释放：

   python复制
   class InvalidPriceError(Exception):  
       pass  
   
   try:  
       if price < 0:  
           raise InvalidPriceError("价格不能为负")  
   except InvalidPriceError as e:  
       print(e)  
   finally:  
       print("执行完毕")  # 必执行代码块  

​​总结​​：结合场景选择合适方法——简单异常用try-except，数值异常用统计检测，复杂模式依赖机器学习。始终通过finally确保资源释放，自定义异常提升代码可读性。