识别并调查表格数据中的异常值

作者: AI 小课7 分钟准备已测试:ChatGPT复核日期: 2026-08-28

直接回答

使用适合数据分布的方法标记异常，并在删除前调查。 请提供: 指标与业务含义、数据概况、调查与使用方式。 预期成果: 透明的异常标记、背景检查和保留修正删除决策。

补充你的背景

你填写的内容只保留在当前浏览器中，AILesson 提示语不会将其发送给模型或服务器。

指标与业务含义数据概况调查与使用方式

生成的提示语

未填写的字段会保留为占位符，你仍然可以复制后自行编辑

请设计一项表格异常值分析。

指标、单位、有效范围和分组：
[metric]

数据概况与代表性值：
[distribution]

调查用途与处理策略：
[policy]

区分不可能值、录入错误、少见但有效的事件和对结果影响很大的观察值。根据偏态和样本量选择透明方法，例如业务规则边界、IQR、稳健 z 分数或组内比较。请返回公式、阈值、OutlierReason 字段和评审流程。不要自动删除或缩尾处理。展示包含和排除标记值时结论如何变化，以及每行如何追溯到来源证据。

在 AI 练习场试试

默认保护隐私提示语在浏览器本地组装。除非所在组织明确允许，否则不要把机密信息提交给任何 AI 服务。

从输入到成果

实际案例

看看具体背景如何通过这条配方转化为可使用的成果

实际输入

指标与业务含义: OrderValue，单位英镑，不能为负。按 CustomerType 分析典型订单金额，因为批发订单通常高于零售。
数据概况: 共 2400 单。Retail n=2100：Q1 £28，中位数 £46，Q3 £72，最大 £8400。Wholesale n=300：Q1 £410，中位数 £690，Q3 £1100，最大 £12500。三条为负值；一条 Retail 为 £8400；多条 Wholesale 超过 £4000。
调查与使用方式: 找出数据错误，并理解极端订单是否扭曲平均值。每笔订单都可与发票核对。不能删除有效的大额订单。

示例输出

先应用非负业务规则：三个负数都是 Invalid，必须根据发票或来源修正。异常检测应在各 CustomerType 内进行，不能混合两种不同分布。

Retail 的 IQR=72−28=44，上界为 72+1.5×44=£138。这个阈值用于标记调查，不代表自动删除。Wholesale 的 IQR=690，上界为 £2135。在汇总表中按组记录四分位数，并建立 OutlierReason，区分 Negative-invalid、Above-group-IQR 和 Not-flagged。

£8400 的 Retail 订单非常少见，应核对客户类型、小数点、币种、重复记录和发票。如果核实有效，保留并标记 Rare-valid，同时说明它对结果的影响。超过 £4000 的 Wholesale 订单也做来源检查，但不能使用 Retail 阈值。

典型订单规模应主要报告中位数和 IQR。平均订单金额分别展示所有有效记录，以及在敏感性分析中暂不包含 Rare-valid 的结果，但官方总收入仍必须保留所有有效订单。对每项分类变更记录 OrderID、标记、核查证据、决定、审核人和日期。