数学建模通过运用异常检测模型去检测5位评委去101应聘者的打分，检测应聘者的异常打分。打分表在excel表中。打分的数据不符合正态分布，检测哪个应聘者数据有异常，并且输出，并给出相应代码和例题，原理

异常检测是数学建模中常用的一种技术，其目的是找出数据中的异常点。对于本题，我们可以通过异常检测模型来检测5位评委对101个应聘者的打分，找出有异常打分的应聘者。

常用的异常检测模型有基于统计学的方法和基于机器学习的方法。由于打分数据不符合正态分布，我们可以选择基于机器学习的异常检测模型。这里我们选择Isolation Forest模型。

Isolation Forest模型是一种基于树结构的异常检测算法，它可以有效地检测出数据集中的异常点。其原理是通过构建一棵随机树来隔离异常点，如果某个数据点在随机树中的路径长度比较短，那么它就很可能是一个异常点。

下面是一个Python例子代码，用于实现对打分表中的异常检测：

import pandas as pd
from sklearn.ensemble import IsolationForest

# 读取Excel表格数据
df = pd.read_excel('scores.xlsx')

# 提取评分数据
scores = df.iloc[:, 1:].values

# 构建Isolation Forest模型
clf = IsolationForest(contamination='auto')
clf.fit(scores)

# 预测异常点
pred = clf.predict(scores)

# 输出异常点所在的行
for i, p in enumerate(pred):
    if p == -1:
        print('第{}个应聘者有异常打分'.format(i+1))

运行以上代码后，程序会输出所有异常打分的应聘者编号，我们可以通过这些编号来查找具体的异常数据。

值得注意的是，Isolation Forest模型的一个重要参数是contamination，它表示异常点的比例。这里我们将其设置为'auto'，让程序自动计算异常点的比例。

总结一下，通过Isolation Forest模型可以实现对打分表中的异常检测，找出有异常打分的应聘者。