用途：检测数值数据中的异常值与离群点，可用于数据清洗、欺诈检测和质量控制分析。
主要能力：统计方法包括 Z-score、IQR、Modified Z-score，其中 IQR 为默认且较稳健的方法；机器学习方法包括 Isolation Forest、LOF、DBSCAN。支持单列与多列（多变量）分析、可配置的灵敏度阈值，并能生成箱线图、散点图、分布图以及详细的离群点报告。
使用方式：既可作为 Python 库使用，例如从 outlier_detective 导入 OutlierDetective，调用 load_csv 载入数据后执行 detect 或 analyze；也可通过命令行调用，如 python outlier_detective.py --input data.csv --column sales --method iqr，或使用 --all 分析全部数值列，--plot 输出图像，--output 导出离群点到 CSV。
适用场景：数据清洗流程、交易欺诈检测（可结合多种方法取交集提高置信度）、多变量传感器异常分析。
限制：依赖 pandas>=2.0.0、numpy>=1.24.0、scipy>=1.10.0、scikit-learn>=1.3.0、matplotlib>=3.7.0；Z-score 假设数据近似正态分布；各方法的阈值与污染率参数需按数据特点调整。