对于Nn个SKU，依次抛出哪些月份的价格是异常值，抛出有三列：sku,月份，价格

要检测异常值，首先需要定义什么是异常值。一般情况下，异常值是指偏离正常分布的数据点，可以通过计算该点与平均值之间的距离来确定是否为异常值。在这个问题中，我们可以采用以下步骤来检测异常值：

1. 对每个SKU分别计算每个月份的平均价格和标准差。

2. 对于每个月份，计算所有SKU的价格的平均值和标准差。

3. 对于每个SKU和月份的组合，计算该价格与该月份所有SKU的平均价格之间的距离，以标准差为单位。如果距离超过某个阈值（如3个标准差），则该价格被认为是异常值。

4. 将所有异常值记录下来，包括SKU、月份和价格。

下面是Python代码的一个例子，用于实现上述步骤：

import pandas as pd
import numpy as np

# 读取数据，假设数据存储在名为data.csv的文件中，包含三列：sku、month和price
data = pd.read_csv('data.csv')

# 计算每个SKU和每个月份的平均价格和标准差
sku_mean = data.groupby('sku')['price'].mean()
sku_std = data.groupby('sku')['price'].std()
month_mean = data.groupby('month')['price'].mean()
month_std = data.groupby('month')['price'].std()

# 计算每个月份所有SKU的平均价格和标准差
overall_mean = data['price'].mean()
overall_std = data['price'].std()

# 计算异常值
threshold = 3.0  # 阈值为3个标准差
outliers = []
for sku in data['sku'].unique():
    for month in data['month'].unique():
        price = data.loc[(data['sku'] == sku) & (data['month'] == month), 'price'].values[0]
        sku_z_score = (price - sku_mean[sku]) / sku_std[sku]
        month_z_score = (price - month_mean[month]) / month_std[month]
        overall_z_score = (price - overall_mean) / overall_std
        if abs(sku_z_score) > threshold or abs(month_z_score) > threshold or abs(overall_z_score) > threshold:
            outliers.append({'sku': sku, 'month': month, 'price': price})

# 输出异常值
outliers_df = pd.DataFrame(outliers)
print(outliers_df)

这段代码假设数据存储在名为data.csv的文件中，包含三列：sku、month和price。它首先计算每个SKU和每个月份的平均价格和标准差，然后计算每个月份所有SKU的平均价格和标准差。接下来，它遍历所有SKU和月份的组合，计算每个价格与该月份所有SKU的平均价格之间的距离，并检查距离是否超过了阈值。如果是，则该价格被认为是异常值，并记录下来。最后，它输出所有异常值的SKU、月份和价格。