分别用四种不同的方法对时序序列的异常点检测(python代码)

1.时序数据（是对第四列（Dissolved Oxygen）溶解氧进行异常点检测）

2.四种异常点检测模型

2.1.iForest算法

对水质记录数据集中的溶解氧（Dissolved Oxygen）进行异常检测，并通过 Isolation Forest 算法识别出异常点。

具体流程如下：

1. 导入所需的库和模块，包括 numpy、pandas、matplotlib、sklearn.metrics 中的 roc_auc_score，以及 sklearn.ensemble 中的 IsolationForest。

2. 设置绘图相关的参数。

3. 读取数据集并提取出溶解氧一列。

4. 将溶解氧数据转换成二维数组，以便后续处理。

5. 构建 IsolationForest 模型，并通过 fit 方法拟合数据。

6. 通过 decision_function 方法获得每个数据点的异常程度，并将预测结果保存在 item 变量中。

7. 使用 predict 方法预测每个数据点是否为异常点，并将预测结果保存在 pre 变量中。由于 Isolation Forest 的预测结果是 -1 表示异常点，1 表示正常点，因此将预测结果中的 -1 转换成 0。

8. 计算预测结果与异常程度之间的 roc_auc_score，并输出结果。

9. 对预测结果为异常点的数据点进行可视化，用红色散点表示。

10. 将预测结果为异常点的数据点从 DO 数组中删除，并将删除后的数据保存在 DO_copy 变量中。

11. 对删除异常点后的数据进行可视化，用蓝色线条表示。

12. 输出异常点的数量、删除后的数据点数量和 DO_copy 数组的形状。

13. 运行结果

2.2.Local Outlier Factor（局部离群点因子）算法

这段代码使用了Local Outlier Factor（局部离群点因子）算法来检测数据集中的异常值（离群点）。

具体来说，它读取了一个水质记录的CSV文件，提取其中的溶解氧数据（Dissolved Oxygen），并将其转化为NumPy数组。然后，它使用sklearn.neighbors中的LocalOutlierFactor类来创建一个分类器，并将溶解氧数据（DO）输入分类器进行拟合和预测。接着，它遍历预测结果，将预测为-1的样本点（即被分类为离群点）用红点标记在图上，并将其从原始数据中删除，最后将剩下的数据绘制成另一个图形。

该代码的主要目的是帮助筛选出数据集中存在的异常值，以便进一步的处理。

运行结果

2.3. OneClassSVM

这段代码的主要作用是使用支持向量机（SVM）来检测水质记录中的异常值（outliers）。具体来说，它通过导入sklearn库中的svm.OneClassSVM函数，对数据中的溶解氧（Dissolved Oxygen）这一列进行处理，将其转换为numpy数组后，通过调用fit()方法训练SVM模型。然后，使用fit_predict()方法来检测数据集中的异常值，将检测到的异常值用红色散点图标记出来，并输出异常值的个数。最后，将所有数据点和异常值在同一张图中绘制出来，以便用户查看和分析结果。

运行结果

2.4。DBSCAN算法

代码主要是用DBSCAN算法对水质数据集中的溶解氧数据进行聚类分析。具体实现步骤如下：

1. 导入所需的库，包括numpy、pandas、matplotlib和sklearn.cluster中的DBSCAN。

2. 读取水质数据集，将其中的溶解氧数据提取出来。

3. 构造输入数据，将溶解氧数据组成一个二维数组。

4. 设置DBSCAN算法的参数，包括领域的大小（eps）和领域内最小点的个数（min_samples）。

5. 构造分类器，并对数据进行拟合和预测，得到每个样本所属的簇的标签。

6. 统计异常值的个数（即标签为-1的样本），并将其在图中用红色圆圈表示。

7. 将统计结果输出，并将所有样本的散点图绘制出来，其中异常值用红色标记。

对代码感兴趣的私信