📰 来源：Towards Data Science　|　📅 翻译日期：2026年6月23日
🔗 原文：查看原文
🤖 翻译：DeepSeek AI · 仅供参考

系列概述

本文是异常值检测系列文章的一部分，继之前的多篇文章（如《基于表格和图像数据的深度学习异常值检测》、《用于异常值检测的距离度量学习》、《使用PCA进行异常值检测入门》等）之后，重点探讨如何处理分类数据。

异常值检测的数据类型需求

在进行表格数据的异常值检测时，通常需要将数据转换为全分类或全数值格式。大多数异常值检测算法假设数据严格为一种格式，因此必须进行转换。

• 若检测器期待分类数据，则数值特征需分箱后转为分类格式。
• 若检测器期待数值数据（更常见的情况），则分类特征需进行数值编码。这是本文的重点。

常见的异常值检测算法

• 分类数据算法：Frequent Patterns Outlier Factor (FPOF)、Association Rules、基于熵的方法。
• 数值数据算法：Isolation Forests、Local Outlier Factor (LOF)、kth Nearest Neighbors (kNN)、Elliptic Envelope。

其中，Isolation Forest 和 LOF 是最常用的数值型算法，而 scikit-learn 和 PYOD 中的所有算法均假设数据为全数值。

混合数据的挑战

现实中的表格数据多为混合型（同时包含数值和分类列），因此异常值检测中经常需要编码分类列。仅处理单一类型数据能简化异常值识别的难度。

对于数值数据，还可利用几何视角：将每一行视为高维空间中的一个点。异常值即为距离大多数点较远的点。如下图所示（2维示例）：

• 蓝色点：典型数据
• 红色星：可能的异常值（簇边缘的点或孤立点）

注意：高维下存在“维度灾难”，但基本概念仍成立：异常值是相对孤立的点。

大多数数值型异常值检测器通过计算点间距离来识别异常，虽然实际算法会优化效率，但原理如此。

分类数据的编码方法

对于预测问题，常见编码方法包括：

1. One-hot编码
2. Ordinal编码
3. Target编码

但在异常值检测中，适用的方法不同，且优劣各异。其中最有效的是：

• One-hot编码
• Count编码（在预测问题中很少使用，但对异常值检测很实用）

其他如Target编码、CatBoost编码等需要目标列，但异常值检测通常无目标列。

常用的编码库是 Category Encoders，它覆盖多种方法。

参考资料

• 书籍：《异常值检测（Python版）》
• 系列文章：Deep Learning for Outlier Detection on Tabular and Image Data, Distance Metric Learning for Outlier Detection, An Introduction to Using PCA for Outlier Detection, Interpretable Outlier Detection: Frequent Patterns Outlier Factor (FPOF), Perform Outlier Detection More Effectively Using Subsets of Features