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

Detecção de Outliers em Python (PyOD) 3

PyOD 3: Detecção de Anomalias Agêntica em Escala

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

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

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

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

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

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

.. |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: Testes

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

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

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

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

**O PyOD está pronto para agentes.** O Claude Code e o Codex podem usar a skill ``od-expert`` para conduzir investigações do ADEngine, enquanto agentes compatíveis com MCP podem consultar o conhecimento de detectores e as ferramentas de planejamento do PyOD. A API clássica ``fit``/``predict`` permanece inalterada.

O PyOD 3 é a biblioteca Python mais abrangente para detecção de anomalias. Quatro pilares:

=========================== ======================================================================================== Pilar O que significa =========================== ======================================================================================== Multimodal 61 detectores para dados tabulares, séries temporais, grafos, texto, imagem e áudio, uma API Ciclo de Vida Completo De dados brutos a anomalias explicadas e orientação de próximos passos em uma única chamada Agêntico od-expert converte solicitações em linguagem natural em fluxos de trabalho do ADEngine; o MCP expõe ferramentas estruturadas para outros agentes Mais Usado 46+ milhões de downloads; roteamento respaldado por benchmarks (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

Instalação ^^^^^^^

Biblioteca principal (necessária para todos os caminhos de ativação):

.. code-block:: bash

pip install pyod

Em seguida, escolha o caminho de ativação que corresponde à sua stack de agentes:

.. code-block:: bash

# 1. Claude Code / Codex — enables the od-expert skill
pyod install skill              # Claude Code: user-global (~/.claude/skills/)
pyod install skill --project    # Codex: project-local (./skills/, Codex has no user-global dir)

# 2. Any MCP-compatible LLM — requires the optional mcp extra
pip install pyod[mcp]
pyod mcp serve                 # alias for `python -m pyod.mcp_server`

# 3. Pure Python — no extra step
#    from pyod.utils.ad_engine import ADEngine

Execute pyod info a qualquer momento para ver a versão, a quantidade de detectores e o estado de instalação de cada caminho de ativação. O pyod info também detecta qual stack de agentes você tem instalada (~/.claude/ para Claude Code, ~/.codex/ para Codex) e recomenda o comando de instalação correto.

Para conda, instalação a partir do código-fonte, detalhes de dependências e solução de problemas, consulte o guia de instalação completo <https://pyod.readthedocs.io/en/latest/install.html>__. O comando legado pyod-install-skill da v3.0.0 ainda funciona como alias para pyod install skill.

Detecção de Outliers com 5 Linhas 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

Três maneiras de usar o PyOD:

========= ===================== ====================================================================== ======================================= Camada Nome Quando usar Ponto de entrada ========= ===================== ====================================================================== ======================================= 1 API Clássica Você sabe qual detector deseja Exemplos da camada 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine Você quer que o PyOD escolha, compare e avalie automaticamente Passo a passo da camada 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 Investigação Agêntica Você quer que um agente de IA conduza a OD por conversa natural Passo a passo da camada 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

As camadas 2 e 3 são alimentadas pelo ADEngine, o núcleo de orquestração do ciclo de vida do PyOD. O fluxo completo de investigação da Camada 3 com múltiplos turnos está disponível por meio da skill od-expert para Claude Code e Codex. O servidor MCP (python -m pyod.mcp_server) expõe dez ferramentas sem estado para LLMs compatíveis com MCP, abrangendo consultas de conhecimento (list_detectors, explain_detector, compare_detectors, get_benchmarks), planejamento (profile_data, plan_detection, build_detector) e detecção (run_detection, analyze_results, explain_findings); as ferramentas MCP com estado investigate / iterate foram adiadas.

.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: Demonstração da investigação agêntica do PyOD 3 no conjunto de dados de cardiotocografia :align: center :width: 720

pyod

Mais Populares

Detecção de Outliers em Python (PyOD) 3