fn_registry/python/functions/datascience/isolation_forest_outliers.md

name, kind, lang, domain, version, purity, signature, description, tags, params, output, uses_functions, uses_types, returns, returns_optional, error_type, imports, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	params	output	uses_functions	uses_types	returns	returns_optional	error_type	imports	tested	tests	test_file_path	file_path
isolation_forest_outliers	function	py	datascience	1.0.0	pure	def isolation_forest_outliers(columns: dict, contamination: float = 0.05, max_report: int = 50) -> dict	Detecta outliers MULTIVARIANTE (filas anomalas considerando todas las columnas a la vez, no columna a columna) con sklearn IsolationForest. Estandariza con StandardScaler, descarta filas con None y usa random_state=0 para resultados deterministas. Devuelve conteo, porcentaje, filas anomalas ordenadas (mas anomala primero) con su score, umbral y dimensiones usadas. Con <2 columnas numericas o <10 filas validas devuelve note 'datos insuficientes' sin petar.	eda models outliers anomaly-detection isolation-forest multivariate sklearn	name desc columns dict {nombre_columna: [valores numericos]}. Listas alineadas por fila (la fila i de cada columna forma una observacion). Solo se usan columnas cuyos valores sean todos numericos (None permitido por fila, NaN/Inf descartan la columna); el resto se ignora. name desc contamination Proporcion esperada de outliers en [0, 0.5], pasada a IsolationForest. Sube/baja la fraccion de filas marcadas. Default 0.05. name desc max_report Maximo de filas anomalas a devolver en outlier_rows, mas anomala primero. n_outliers cuenta TODAS aunque se trunque el detalle. Default 50.	dict {n_outliers: total de filas outlier; outlier_pct: % sobre filas validas (0-100); outlier_rows: lista de {row_index, score} ordenada por score asc (mas anomala primero), truncada a max_report; threshold: umbral de decision (model.offset_), outlier <=> decision_function < threshold; n_rows_used: filas validas tras descartar None; n_features: columnas numericas usadas}. row_index cuenta SOLO las filas validas (sin None), en orden de aparicion empezando en 0 — no es el indice original si se descarto alguna fila. Si <2 columnas numericas o <10 filas validas: {n_outliers: 0, note: 'datos insuficientes'}.				false			true	test_cloud_with_three_far_points_flags_them test_insufficient_columns_returns_note test_insufficient_rows_returns_note	python/functions/datascience/isolation_forest_outliers_test.py	python/functions/datascience/isolation_forest_outliers.py

Ejemplo

from datascience import isolation_forest_outliers

# Nube densa alrededor de (0, 0) + 3 puntos claramente alejados al final.
xs = [0.1, -0.2, 0.0, 0.3, -0.1, 0.2, -0.3, 0.05, -0.15, 0.25, 0.0, -0.05]
ys = [0.0, 0.1, -0.1, 0.2, -0.2, 0.05, -0.05, 0.15, -0.25, 0.1, 0.0, 0.2]
# 3 outliers multivariante (lejos de la nube en el plano):
xs += [9.0, -8.5, 10.0]
ys += [9.5, -9.0, -8.0]

columns = {"x": xs, "y": ys}
result = isolation_forest_outliers(columns, contamination=0.2, max_report=10)

print(result["n_outliers"])        # >= 3
print(result["n_rows_used"], result["n_features"])  # 15 2
for row in result["outlier_rows"]:
    print(row["row_index"], round(row["score"], 4))
# Las filas 12, 13, 14 (los 3 puntos lejanos) aparecen primero, score mas bajo.

Cuando usarla

Cuando quieras encontrar filas anomalas de una tabla mirando todas sus columnas a la vez en la fase EDA, en lugar de buscar outliers columna a columna con z-score/IQR. Es el caso en que una observacion es razonable en cada variable por separado pero rara en su combinacion (p.ej. peso bajo + altura alta). Pasale las columnas numericas alineadas por fila y te devuelve las filas mas sospechosas ordenadas por anomalia para inspeccionarlas. Modelo barato y determinista (random_state=0), apto para correr de forma reproducible dentro de un perfilado.

Gotchas

• Pura solo porque fija random_state=0: IsolationForest es estocastico; sin la semilla los resultados variarian entre llamadas. No cambiar la semilla si se quiere determinismo.
• row_index es relativo a las filas validas: si alguna fila tenia None en una columna usada, se descarta y los indices se recalculan sobre las filas que quedan (orden de aparicion, base 0). No mapea 1:1 con las listas de entrada cuando hay None.
• Seleccion de columnas estricta: una columna con cualquier valor no numerico (str, bool, NaN, Inf) se ignora por completo. Si quedan <2 columnas numericas, devuelve note: "datos insuficientes".
• Minimo 10 filas validas: con menos, devuelve note en vez de un modelo poco fiable.
• contamination influye en cuantas filas se marcan; con datos sin outliers reales un valor alto forzara falsos positivos.