用途：在研究数据集中识别异常、离群点和可疑模式，帮助维护数据完整性并发现真实的科学发现。数据点异常可能来自测量错误、仪器故障、录入错误或真实罕见现象，本技能提供结构化框架进行检测、分类与处理。
主要能力：提供三阶段流程——检测（标记候选异常）、诊断（判断可能原因）、决策（删除、变换或保留并说明理由），所有决定均记录以保证可复现与透明报告。统计检测方法包括单变量检测（IQR 1.5倍规则、Z 分数 |z|>3、中位数绝对偏差、Grubbs 检验）和多变量检测（马氏距离 EllipticEnvelope、IsolationForest），并提供基于滚动均值和标准差的时序异常检测。诊断框架按测量误差、录入错误、抽样伪影、真实极端值、污染等类别给出指标与处理建议，并包含跨变量一致性、时间上下文、仪器日志、领域知识等诊断检查。
使用方式：以 Python 代码调用，示例使用 numpy、scipy、sklearn、pandas，如 detect_univariate_outliers(data, method='iqr')、detect_multivariate_outliers(X, method='mahalanobis')、detect_timeseries_anomalies(series, window=20)。论文报告时应说明检测方法与参数、被标记观测的数量与百分比、处置方式（删除/修正/保留），并提供敏感性分析，在补充材料中列出全部被标记观测及其处置。
适用场景：单变量、多变量、时间序列研究数据的异常检测与数据清洗。
限制：资料未说明具体平台支持、收费、价格或性能保证；方法参数如污染率 0.05、窗口 20 等仅为示例默认值，需据实际数据调整。