2. 异常值类型：全局异常点、上下文异常点、集体异常点

在数据清洗实践中，异常值并非单一形态。根据异常值在数据分布、时间序列或空间邻域中的表现特征，通常将其划分为三种核心类型：全局异常点、上下文异常点和集体异常点。理解这三种类型的差异，是选择检测算法和清洗策略的前提。

2.1 三种异常类型的核心定义与对比

下表从定义、典型场景和检测思路三个维度，对三种异常类型进行横向对比：

2.2 全局异常点（Global Outliers）

全局异常点是最直观、最基础的异常类型。它指单个数据点在数值上显著偏离整个数据集的全局分布，以至于可以认为它来自不同的生成机制。这类异常不依赖任何上下文信息，仅通过统计分布即可识别。

识别场景举例：

• 金融反欺诈： 单笔交易金额为 100 万元，而正常用户平均交易额为 500 元，该笔交易即为全局异常点。
• 工业传感器： 温度传感器读数为 200°C，而正常工况范围为 20°C–80°C，该读数属于全局异常。
• 生物医学： 某患者某项生化指标超出正常参考范围 5 个标准差以上。

2.3 上下文异常点（Contextual Outliers）

上下文异常点（也称条件异常点）在全局分布中可能完全正常，但在特定的上下文条件（如时间、空间、季节）下却表现异常。这类异常必须结合上下文信息才能被正确识别。

识别场景举例：

• 时序数据： 某电商平台凌晨 3 点的访问量为 10,000 次，而该时段历史均值仅为 200 次。该值在全局分布中可能并不极端，但在“凌晨 3 点”这个时间上下文中属于异常。
• 空间数据： 某地区夏季平均气温为 30°C，但某一天该地区气温骤降至 5°C，在“夏季”这个空间-时间上下文中属于异常。
• 交通流量： 工作日晚高峰车流量为 500 辆/小时属于正常，但同一数值出现在凌晨 2 点则属于上下文异常。

2.4 集体异常点（Collective Outliers）

集体异常点是指一组数据点作为一个整体，其行为模式显著偏离数据集的预期模式。单个数据点可能完全正常，但它们的组合方式、序列顺序或共同出现则构成异常。这类异常在群体行为分析、网络安全和系统监控中尤为常见。

识别场景举例：

• 网络安全： 单个 IP 地址的访问频率正常，但一组 IP 地址在短时间内以相同模式访问同一资源，构成 DDoS 攻击的集体异常。
• 设备集群： 单台服务器的 CPU 使用率在 60% 属于正常，但整个集群中 80% 的服务器同时出现 CPU 突增，则属于集体异常。
• 序列数据： 在 DNA 序列中，单个碱基的突变可能正常，但连续多个碱基的异常排列可能指示基因缺陷。

2.5 三种异常类型的识别场景总结

下表从业务场景角度，帮助快速判断当前问题属于哪种异常类型：