异常值处理

使用MATLAB编写的异常值剔除程序，用于数据预处理。

matlab 的异常值脚本outliers.m挺实用的，适合你在数据预中快速定位那些“看着不太对”的数据点。里面用了两种方法：一个是统计老炮都知道的Grubbs 检验，另一个是经典的IQR（四分位区间）法。思路都清晰，还贴心地把每步都写成了流程——从读数据、计算指标，到检测再分类。用起来也不难，配合箱线图，可视化也直观。嗯，尤其适合建模前做数据清洗那一步。

在数学建模数据处理方面，提供了基于RPCA方法的异常值检测参考代码。

MATLAB数据处理模型RPCA异常值检测代码的优化版本提供下载。

Matlab编程：移除异常值的改进方法。利用改良的Thompson-Tau方法，可以将向量或矩阵中的异常值转换为NaN。

基于密度的异常检测方法 LOF，蛮适合你想搞点数据清洗的项目用的，是你数据里噪音比较多、分布还不规律的那种。用 MATLAB 来跑，响应也快，代码结构清晰，比较适合搞科研或者建模用。LOF 的核心就是看数据点周围的“密度差异”。你可以理解成：如果某个点周围的邻居都挤在一块，它自己却孤零零地，那基本就是个异常点。这种对比关系，蛮适合非线性、非规则的数据集。代码部分也蛮友好，一段 MATLAB 脚本搞定全部逻辑：从数据生成、可视化、再到异常点高亮展示，效果一目了然。如果你数据是二维或者多维都能适配，连调参（比如 k 值）都有提示，蛮贴心的。场景也挺丰富：像是信用卡欺诈、网络入侵、甚至生态变化都能用

Gibbs 抽样法可识别汇率可加异常值。经实证研究，我国人民币对美元汇率月度数据中存在可加异常值。

对于输入向量A，删除了显著性水平alpha下的异常值，并返回删除异常值后的向量B。输出参数IDX返回异常值的索引。REP是可选参数，用NaN替换已删除元素以保持A的长度。Grubbs测试的迭代实现，可用于检测样本中最远离均值的异常值。

基于残差分析的异常值检测算法专门针对具有线性回归关系的二维数据，能够有效识别和剔除数据中的异常值。

时间序列数据的异常值检测，用 Ruby 也能玩得挺溜的。Time-Series-Anomaly-Detection项目就是个不错的示范，用了Z-score和IQR两种统计方法，不复杂，还挺实用。你要是平时用 Ruby 点股票走势、传感器读数啥的，这项目能帮你快速把异常值揪出来。 Z-score的思路简单粗暴：判断数据点离均值有多远。用个公式(X - μ) / σ，超过 3 就当可疑值，适合那种数据比较规整、接近正态分布的情况。 如果数据波动比较大、不服从正态分布？那就用IQR：低于Q1 - 1.5 * IQR或高于Q3 + 1.5 * IQR的点，统统算异常。这种方法对极端值更敏感，容错性也更