yzhao062/pyod

A Python library for anomaly detection across tabular, time series, graph, text, and image data. 60+ detectors, benchmark-backed ADEngine orchestration, and an agentic workflow for AI agents.

agentic-aianomaly-detectiondata-miningdata-sciencedeep-learningfoundation-modelsfraud-detectiongraph-anomaly-detectionimage-anomaly-detectionmachine-learningmultimodalnlp-anomaly-detectionnovelty-detectionout-of-distribution-detectionoutlier-detectionoutlier-ensemblestime-seriestime-series-anomaly-detectionunsupervised-learning

GAI 中文摘要

PyOD 是一个用于异常检测的综合性 Python 开源库，旨在为表格、时间序列、图数据、文本及图像等多模态数据提供统一的解决方案。该项目通过集成 60 多种检测算法及智能代理工作流，帮助开发者高效完成从数据预处理到异常解释的全生命周期任务。

内置超过 60 种涵盖多种数据类型的专业异常检测算法。提供基于 ADEngine 的基准测试驱动引擎，支持对检测模型进行量化评估。支持智能代理（Agentic AI）工作流，能够通过 MCP 等协议与 Claude 或 Codex 等 AI 工具协同工作。保持经典的 fit 和 predict API 设计，确保用户在享受新技术的同时无需重构旧代码。涵盖从原始数据输入到异常结果解释的完整数据处理生命周期。

该项目适用于数据科学家、机器学习工程师以及需要构建自动化监控系统的研发人员，常被用于金融欺诈检测、网络安全防御、工业设备故障诊断及多模态数据分析场景。

⭐

9.9k

Stars

🔱

1.5k

Forks

👁

150

Watchers

📋

230

Issues

PythonBSD-2-Clause创建于 2017/10/3更新于今天

在 GitHub 上查看访问主页

README

由 Gemini 翻译整理

Python Outlier Detection (PyOD) 3

PyOD 3: 规模化智能体（Agentic）异常检测

.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: PyPI version

.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: Anaconda version

.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: Documentation status

.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: GitHub stars

.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: GitHub forks

.. |badge_downloads| image:: https://pepy.tech/badge/pyod :target: https://pepy.tech/project/pyod :alt: Downloads

.. |badge_testing| image:: https://github.com/yzhao062/pyod/actions/workflows/testing.yml/badge.svg :target: https://github.com/yzhao062/pyod/actions/workflows/testing.yml :alt: Testing

.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: Coverage Status

.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: Maintainability

.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: License

.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: Benchmark

PyOD 已适配智能体（Agent-ready）。 Claude Code 和 Codex 可以使用 od-expert 技能来驱动 ADEngine 进行调查，而兼容 MCP 的智能体可以查询 PyOD 的检测器知识库和规划工具。经典的 fit/predict API 保持不变。

PyOD 3 是目前最全面的 Python 异常检测库，具备四大核心支柱：

支柱	说明
多模态 (Multi-Modal)	涵盖表格、时间序列、图数据、文本和图像数据的 60 多种检测器，且使用统一的 API
全生命周期 (Full Lifecycle)	单次调用即可实现从原始数据到异常解释及后续行动指导
智能体化 (Agentic)	`od-expert` 可将自然语言需求转化为 ADEngine 工作流；MCP 为其他智能体提供结构化工具
广泛应用 (Most Used)	超过 3800 万次下载；提供基于基准测试（ADBench, TSB-AD, BOND, NLP-ADBench）的智能路由

安装

核心库（所有激活路径均需安装）：

pip install pyod

然后根据你的智能体技术栈选择相应的激活路径：

# 1. Claude Code / Claude Desktop / Codex — 启用 od-expert 技能
pyod install skill              # Claude Code / Desktop: 用户全局 (~/.claude/skills/)
pyod install skill --project    # Codex: 项目本地 (./skills/, Codex 无用户全局目录)

# 2. 任何兼容 MCP 的 LLM — 需要安装可选的 mcp 依赖
pip install pyod[mcp]
pyod mcp serve                 # 等同于 `python -m pyod.mcp_server`

# 3. 纯 Python — 无需额外步骤
#    from pyod.utils.ad_engine import ADEngine

你可以随时运行 pyod info 查看版本信息、检测器数量以及各激活路径的安装状态。pyod info 还会检测你所安装的智能体环境（Claude Code 的 ~/.claude/ 或 Codex 的 ~/.codex/），并推荐正确的安装命令。

有关 conda 安装、源码安装、依赖详情和故障排查，请参阅完整的安装指南。v3.0.0 版本遗留的 pyod-install-skill 命令仍可作为 pyod install skill 的别名使用。

只需 5 行代码实现异常检测 (pip install pyod)：

from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_          # 训练集异常得分
y_test_scores = clf.decision_function(X_test)   # 测试集异常得分