from sklearn.ensemble import IsolationForest model = IsolationForest(n_estimators=100, max_samples='auto', contamination=float(0.1), max_features=1.0) X = df2[['age','current_height']].values model.fit(X) df2['scores'] = model.decision_function(X) df2['anomaly'] = model.predict(X) outliers = inliers = plt.scatter(inliers[:, 0], inliers[:, 1], c='blue', label='Inliers') plt.scatter(outliers[:, 0], outliers[:, 1], c='red', label='Outliers') plt.xlabel('age') plt.ylabel('current_height') plt.legend() plt.show()

在你的代码中，你已经拟合了孤立森林模型并预测了异常值。现在你需要根据预测结果提取异常值和非异常值的数据，并进行散点图的可视化。

你可以使用以下代码来提取异常值和非异常值的数据，并进行散点图的可视化：

outliers = df2[df2['anomaly'] == -1]
inliers = df2[df2['anomaly'] == 1]

plt.scatter(inliers['age'], inliers['current_height'], c='blue', label='Inliers')
plt.scatter(outliers['age'], outliers['current_height'], c='red', label='Outliers')
plt.xlabel('age')
plt.ylabel('current_height')
plt.legend()
plt.show()

在这段代码中，我们首先使用布尔条件筛选出异常值和非异常值的数据。对于异常值，我们筛选出 `df2['anomaly']` 列中值为 -1 的行；对于非异常值，我们筛选出 `df2['anomaly']` 列中值为 1 的行。

然后，我们使用散点图显示两个变量（'age' 和 'current_height'）之间的关系。异常值用红色表示，非异常值用蓝色表示。最后，我们添加了标签和图例来说明颜色的含义。

确保你已经导入了必要的库和模块，并且 `df2` 是包含了 'age'、'current_height'、'scores' 和 'anomaly' 列的 DataFrame。

希望这能解决你的问题！如有任何疑问，请随时追问。