离群点检测python代码

离群点检测（Outlier Detection）是一种在数据集中寻找异常值的技术。在Python中，我们可以使用很多库来进行离群点检测，如scikit-learn、PyOD等。下面是一个使用PyOD库的示例代码，其中采用KNN算法进行离群点检测：

from pyod.models.knn import KNN   # 引入KNN模型
from pyod.utils.data import generate_data, get_outliers_inliers   # 引入数据生成函数和标签函数
import matplotlib.pyplot as plt   # 引入可视化库

# 生成数据集
X_train, y_train, X_test, y_test = generate_data(n_train=200, n_test=100, n_features=2, contamination=0.1)

# 训练模型
clf_name = 'KNN'
clf = KNN()
clf.fit(X_train)

# 预测结果
y_train_pred = clf.labels_  # 训练集上的预测标签（0：正常值，1：异常值）
y_train_scores = clf.decision_scores_  # 训练集上的异常分值

# 可视化
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train_pred)
plt.title(clf_name)
plt.show()

在上面的代码中，我们首先使用generate_data函数生成一个二维数据集，其中包含了10%的异常值。然后我们使用KNN模型对数据集进行训练，并在训练集上预测标签和异常分值。最后，我们使用matplotlib库将数据集可视化，其中异常值用红色表示。