异常值怎么找：一份实用清单

做数据清洗的人都有过这种经历：一批看起来正常的数字里，突然冒出一个离谱的值。它可能是录入错误，也可能是真实信号。直接删掉，怕丢掉重要信息；直接保留，又怕后续的走势判断被带偏。异常值识别的难点不在计算，而在判断。下面这份清单，按从简到繁的顺序，整理了几种常用方法，每种都附带一个具体的数字例子。

最直观的方法是箱线图。它的逻辑很简单：先算出一组数据的中位数和四分位数，把上下四分位之外超过1.5倍四分位距的点标记为异常。比如某电商后台一周的日订单量分别是1200、1350、1280、1300、1320、1250，突然有一天是9800。中位数大约在1290，四分位距很小，9800会远远落在上界之外。箱线图的好处是不假设数据服从正态分布，对偏态数据也比较稳健。但它对样本量有要求，少于10个点时，四分位数的计算本身就不太稳定。

如果数据接近正态分布，Z-score是更常用的选择。它衡量的是某个值距离均值有多少个标准差。经验上，绝对值超过3的Z-score就值得注意。举个例子，某城市过去30天的日均气温均值是22摄氏度，标准差是3度。某天录得35度，Z-score约为4.3，这在统计上属于小概率事件。但Z-score有个明显弱点：均值和标准差本身会被异常值拉偏。一个极端大值进来，标准差变大，反而可能让其他异常值显得正常。所以遇到明显偏态的数据，可以考虑用中位数绝对偏差（MAD）替代标准差，它对极端值更不敏感。

时间序列的数据需要另一套思路。很多异常不是孤立的大或小，而是走势上的突变。比如某App的日活连续两周稳定在50万上下，某天突然跌到32万，第二天又回到51万，这种单点凹陷用箱线图未必能标出来，因为它在全局分布里可能并不极端。这时候可以看环比变化率，或者用移动平均做基线，把偏离基线超过一定比例的点挑出来。更严格一点，可以用STL分解，把趋势、季节性和残差拆开，在残差项上做判断。残差突然变大的时间点，往往对应真实的异常事件。

上面这些方法都有一个共同前提：你得先想清楚异常值的用途。如果是做数据清洗，目标是找出录入错误，那越灵敏越好，宁可多标一些让人工复核。如果是做走势预测，目标就反过来了——某些异常值恰恰是趋势转折的信号，删掉它们等于把最重要的信息扔了。2020年某类消费数据的断崖式下跌，在统计上当然是异常值，但没人会把它当作噪声处理。所以识别方法只是工具，判断标准取决于业务场景。

实际操作中，比较稳妥的做法是组合使用。先用箱线图或MAD做一轮快速筛查，把明显离谱的点标出来；再对时间序列做变化率检测，捕捉走势上的突变；最后把两边的结果放在一起，人工过一遍。每一步都保留原始记录，不要直接覆盖或删除。一个可复用的习惯是：给每个被标记的点打上标签，注明是录入错误、业务事件还是待确认。下次再观察同一指标时，这些标签本身就是有价值的参照。

还有一点容易被忽略：异常值检测的阈值不是固定的。1.5倍四分位距、3倍标准差、5%的变化率，这些都是经验起点，不是铁律。数据频率越高、波动越大，阈值就应该越宽松。日频数据里3倍标准差可能天天触发，月频数据里可能几年才遇到一次。比较务实的做法是，先在一个已知正常的时间窗口上跑一遍，看看误报率有多高，再决定要不要收紧或放宽。

回到最初的问题：异常值该删还是该留？多数情况下，答案不是二选一。更合理的做法是标记、隔离、单独观察，让它在后续分析中既不影响整体走势，又不至于被彻底遗忘。数据工作里，很多错误不是因为没发现异常，而是因为发现之后处理得太急。慢一步判断，往往比快一步删除更有价值。