作为刚入行做ML异常检测的开发者，你已经掌握的scikit-learn（比如Isolation Forest）是基础，但工业界针对表格、时序数据还有不少更聚焦、更实用的工具，下面按场景给你整理：

一、表格数据异常检测（结构化数据） #

PyOD #

这是工业界做表格异常检测的首选专门库，集成了几十种经典和前沿的异常检测算法，比如LOF、ABOD、KNN异常检测器，还有集成式的模型（像Isolation Forest的增强版），甚至支持半监督/监督式异常检测，完全覆盖工业界常见的表格数据场景。

• 官方文档：直接搜索「PyOD official documentation」就能找到，文档里有从快速入门到工业级案例的完整教程，每个算法都配了可运行的代码示例，还有真实数据集的测试脚本。
• 安装：pip install pyod

二、时序数据异常检测 #

工业界里时序数据（比如设备监控、业务指标）的异常检测需求非常多，下面几个工具是高频选择：

sktime #

专门针对时序数据的机器学习库，相当于时序版的scikit-learn，里面内置了时序专用的异常检测算法（比如时序Isolation Forest、Matrix Profile），也支持把传统异常检测算法适配到时序场景。

• 官方文档：搜索「sktime official documentation」，文档里的「Anomaly Detection」板块有详细的示例，从单变量时序到多变量时序的处理都有覆盖。
• 安装：pip install sktime

Facebook Prophet #

虽然它主打时序预测，但工业界常用它的残差分析来做异常检测——通过预测值和真实值的偏差来识别异常点，特别适合业务监控类的时序数据（比如日活、销售额），上手简单，不需要复杂的特征工程。

• 官方文档：搜索「Facebook Prophet official documentation」，文档里有专门的「Anomaly Detection」章节，配了完整的代码示例，教你怎么设置置信区间来标记异常。
• 安装：pip install prophet

TensorFlow Probability (TFP) #

如果需要用深度学习处理复杂时序（比如多变量、非平稳时序），TFP是很好的选择，它支持结合LSTM、Transformer等模型搭建概率型异常检测系统，适合工业界高复杂度的场景（比如工业设备故障预测）。

• 官方文档：在TensorFlow官网的「TensorFlow Probability」板块，里面有专门的异常检测教程，比如用LSTM-VAE做时序异常检测的完整示例。
• 安装：pip install tensorflow-probability

三、深度学习通用框架（自定义异常检测模型） #

如果需要完全自定义异常检测模型（比如针对特定业务场景优化），用PyTorch生态的工具会更灵活：

• 直接用PyTorch：结合相关工具搭建VAE、GAN或者Transformer-based的异常检测模型，官方文档里有不少基础示例，也可以参考社区的工业级项目。
• 配合PyTorch Lightning：简化训练流程，快速迭代模型，它的文档里有异常检测的实战案例。

文档获取小技巧 #

所有这些库的官方文档都可以通过两种方式快速找到：

1. 打开该库的PyPI页面，页面顶部或底部都会有「Documentation」链接；
2. 直接搜索「[库名] official documentation」，官方网站通常是第一个搜索结果。

文档里的「Examples」「Tutorials」板块是最值得重点看的，都是贴近工业界实践的代码，直接拿来改就能用。

内容的提问来源于stack exchange，提问作者hosna mozafari