pyod github项目地址：https://github.com/yzhao062/pyod

pyod 文档地址：https://pyod.readthedocs.io/en/latest/

数据源：https://github.com/zrnsm/pyculiarity/blob/master/tests/raw_data.csv

算法思路

使用KNN进行异常检测的算法思路有两种：

思路1：

1. 把异常检测看做是二分类任务，正常样本就是0，异常样本是1
2. 直接用KNN的分类器进行建模（例sklearn使用：KNeighborsClassifier）

这也是在进行KNN异常检测复现时常见的流程

思路2：

1. 因为大量样本都是正样本，只有极少数是负样本，因此我们可以建立几个类别，用城墙把这几个类别围起来，城墙里面的都是正样本，城墙外面的就是负样本
2. 因此KNN会拟合已有数据，分成几个类，然后计算每个点到类的簇中心的聚类（神似聚类），不断迭代优化
3. 这样我们新来一个样本点，直接计算它离每个簇中心的距离，一定范围内则为正样本，范围外则为异常样本（这个范围由算法拟合而出）

代码示例

from pyod.models.knn import KNN  # 使用KNN异常检测
import pandas as pd


def get_data():
    data_df = pd.read_csv("raw_data.csv", index_col=0)
    return data_df


if __name__ == '__main__':
    series_df = get_data()
    anomaly_detection_model = KNN()
    anomaly_detection_model.fit(series_df['count'].values.reshape(-1, 1))
    y_train_pred = anomaly_detection_model.labels_  # 得到数据上的分类标签（0：正常值, 1：异常值）
    y_train_scores = anomaly_detection_model.decision_scores_  # 返回训练数据上的异常值，分值越大越异常

参考文章

Python异常检测包：PyOD：https://www.biaodianfu.com/pyod.html