.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: PyOD Ecosystem :width: 84px

Python Outlier Detection (PyOD) 3

PyOD 3: Detección de anomalías agéntica a escala

|badge_website| |badge_pypi| |badge_anaconda| |badge_docs| |badge_stars| |badge_forks| |badge_downloads| |badge_testing| |badge_coverage| |badge_maintainability| |badge_license| |badge_benchmark|

.. |badge_website| image:: https://img.shields.io/badge/website-pyod.dev-990000 :target: https://pyod.dev :alt: Website

.. |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 está listo para agentes.** Claude Code y Codex pueden usar la skill ``od-expert`` para dirigir investigaciones con ADEngine, mientras que los agentes compatibles con MCP pueden consultar el conocimiento de detectores de PyOD y las herramientas de planificación. La API clásica ``fit``/``predict`` permanece sin cambios.

---

PyOD 3 es la biblioteca de Python más completa para la detección de anomalías. Cuatro pilares:

=========================== ======================================================================================== Pilar Qué significa =========================== ======================================================================================== Multi-Modal 61 detectores para datos tabulares, de series temporales, de grafos, de texto, de imagen y de audio, una sola API Ciclo de vida completo Desde datos sin procesar hasta anomalías explicadas y guía de próximos pasos en una sola llamada Agéntico od-expert convierte solicitudes en lenguaje natural en flujos de trabajo de ADEngine; MCP expone herramientas estructuradas para otros agentes Más usado 46+ millones de descargas; enrutamiento respaldado por benchmarks (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

Instalación ^^^^^^^^^^^

Biblioteca principal (requerida para cada ruta de activación):

.. code-block:: bash

pip install pyod

Luego elige la ruta de activación que coincida con tu stack de agentes:

.. code-block:: bash

# 1. Claude Code / Codex — habilita la skill od-expert
pyod install skill              # Claude Code: global de usuario (~/.claude/skills/)
pyod install skill --project    # Codex: local del proyecto (./skills/, Codex no tiene directorio global de usuario)

# 2. Cualquier LLM compatible con MCP — requiere el extra opcional mcp
pip install pyod[mcp]
pyod mcp serve                 # alias de `python -m pyod.mcp_server`

# 3. Python puro — sin paso adicional
#    from pyod.utils.ad_engine import ADEngine

Ejecuta pyod info en cualquier momento para ver la versión, el recuento de detectores y el estado de instalación de cada ruta de activación. pyod info también detecta qué stack de agentes tienes instalado (~/.claude/ para Claude Code, ~/.codex/ para Codex) y recomienda el comando de instalación adecuado.

Para conda, instalación desde el código fuente, detalles de dependencias y solución de problemas, consulta la guía de instalación <https://pyod.readthedocs.io/en/latest/install.html>__ completa. El comando heredado pyod-install-skill de la v3.0.0 sigue funcionando como alias de pyod install skill.

Detección de valores atípicos con 5 líneas de código (pip install pyod):

.. code-block:: python

from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_          # training anomaly scores
y_test_scores = clf.decision_function(X_test)   # test anomaly scores

Tres formas de usar PyOD:

========= ===================== ====================================================================== ======================================= Capa Nombre Cuándo usarla Punto de entrada ========= ===================== ====================================================================== ======================================= 1 API clásica Sabes qué detector quieres Ejemplos de la capa 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine Quieres que PyOD elija, compare y evalúe automáticamente Recorrido de la capa 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 Investigación agéntica Quieres que un agente de IA dirija la detección de valores atípicos mediante conversación natural Recorrido de la capa 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

Las capas 2 y 3 funcionan con ADEngine, el núcleo de orquestación del ciclo de vida de PyOD. El flujo completo de investigación de múltiples turnos de la capa 3 está disponible a través de la skill od-expert para Claude Code y Codex. El servidor MCP (python -m pyod.mcp_server) expone diez herramientas sin estado para LLM compatibles con MCP, abarcando consultas de conocimiento (list_detectors, explain_detector, compare_detectors, get_benchmarks), planificación (profile_data, plan_detection, build_detector) y detección (run_detection, analyze_results, explain_findings); las herramientas MCP con estado investigate / iterate quedan aplazadas.

.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: PyOD 3 agentic investigation demo on cardiotocography dataset :align: center :width: 720