使用四分位距（IQR）方法来识别数据中的异常值是一种常见且有效的技术。这种方法基于数据的四分位数，特别是第一四分位数（Q1）和第三四分位数（Q3），以及它们之间的差值（IQR）。以下是识别异常值的步骤：
数据排序：
- 首先，将数据集按照数值大小进行排序。
计算四分位数：
- 计算第一四分位数（Q1），它是位于25%位置的值，也就是说，数据集中有25%的数值小于或等于Q1。
- 计算第三四分位数（Q3），它是位于75%位置的值，即数据集中有75%的数值小于或等于Q3。
计算IQR：
- 计算IQR，即第三四分位数与第一四分位数之间的差值：( IQR = Q3 - Q1 )。
确定异常值的阈值：
- 通常，异常值被定义为那些小于 ( Q1 - 1.5 \times IQR ) 或大于 ( Q3 + 1.5 \times IQR ) 的数据点。这个1.5是一个常用的系数，但可以根据具体情况进行调整。
识别异常值：
- 根据上述阈值，识别并标记数据集中的异常值。这些数据点被认为是偏离了数据主体的常规范围。
处理异常值：
- 确定异常值后，可以根据分析的目的和异常值的性质来决定如何处理它们。处理方法可能包括删除异常值、对其进行修正、或保留它们以进行进一步的分析。
可视化（可选）：
- 使用箱线图（Boxplot）可视化数据分布和异常值。箱线图可以清晰地显示数据的四分位数、中位数、以及通过IQR识别的异常值。
示例：
假设有一个数据集 [4, 8, 6, 5, 3, 2, 8, 9, 12, 15, 18, 20, 22, 100]，按照以下步骤操作：
- 排序后的数据集：[2, 3, 4, 5, 6, 8, 8, 9, 12, 15, 18, 20, 22, 100]。
- 计算Q1（例如，4.5，即第(11+1)/4≈3位的值，取第3和第4位数值的平均）和Q3（例如，17，即第(11+1)/4*3≈9位的值，取第9和第10位数值的平均）。
- 计算IQR：( IQR = Q3 - Q1 )。
- 计算异常值阈值：( Q1 - 1.5 \times IQR ) 和 ( Q3 + 1.5 \times IQR )。
- 识别异常值：在这个例子中，100超出了上限阈值，因此被识别为异常值。
使用四分位距方法识别异常值是一种基于数据分布的非参数方法，它不依赖于数据遵循特定的统计分布。这使得IQR方法在多种情况下都非常有用，尤其是在数据分布未知或非正态分布时。
