1. 描述分析法：通过标准差和三倍标准差原则，识别与平均值偏差超过三个标准差的值。
2. 最大和最小值判断法：基于专业知识和个人经验评估数据范围，识别异常值。
3. Z-score标准化处理法：衡量数据点与平均值的距离，若数据与平均值相差三个标准差，则其Z-score为3，符合3sigma原则。
4. 箱线图：利用五条线展示数据分布，其中白点表示异常值，通过IQR（四分位距）判断值是否异常。
5. ARIMA预测模型：适用于时间序列数据，通过历史实际数据与预测数据比较得到残差，识别异常值。
6. 散点图：在处理单个变量时，直观展示两组数据的位置关系，帮助识别离群值。
7. 聚类分析：使组内相似、组间差异，识别异常数据点。
8. K-means聚类方法：通过计算分析对象到多个聚类中心的距离，将数据分为类群，并识别距离聚类中心过远的点为异常值。
9. DBSCAN：一种基于密度的聚类方法，将数据点分为簇，不属于任何簇的数据被视宴袜为异常值。
10. KNN模型：通过寻找最近的已知类别样本对未知样本进行预测，判断样本点与最近k个样本的平均距离，超过阈值则视为异常点。
11. SVM的one-class-SVM方法：利用超球体或超平面，识晌闹激别数据周围的边界，判断异常值。
12. 异常值处理方法包括：设置阈值、填补法、插值法、使用平均值、中位数弯谨、众数、随机数、数字0以及自定义函数等。
13. 针对少量异常值：可将其设为null值，或处理为缺失值。
14. SPSSAU提供填补法和插值法：填补法包括平均值、中位数、众数、随机数、数字0及自定义函数。插值法有两种，线性插值和该点线性趋势插值，适用于处理缺失数据。
