Metadata-Version: 2.4
Name: anomaly-detector-lib
Version: 0.1.4
Summary: Статистическое обнаружение выбросов и аномалий во временных рядах
Author: Daria Borzenkova
License: MIT
Keywords: anomaly detection,outliers,time series,statistics
Classifier: Programming Language :: Python :: 3
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Classifier: Topic :: Scientific/Engineering :: Mathematics
Requires-Python: >=3.9
Description-Content-Type: text/markdown
Requires-Dist: pandas
Requires-Dist: numpy
Requires-Dist: scipy
Requires-Dist: matplotlib

# project-lib

Статистическое обнаружение выбросов и аномалий во временных рядах.

`project-lib` предоставляет набор классических методов поиска выбросов
с единым интерфейсом, а также вспомогательные средства для проверки
нормальности, преобразования данных и автоматического подбора детектора.

## Установка

```bash
pip install project-lib
```

## Детекторы

- `ChauvenetDetector` — критерий Шовене
- `DixonQDetector` — Q-критерий Диксона
- `GrubbsDetector` — критерий Граббса
- `HampelDetector` — фильтр Хампеля
- `IQRDetector` — правило межквартильного размаха
- `ModifiedZScoreDetector` — модифицированный z-score (на основе MAD)
- `MonteCarloDetector` — обнаружение методом Монте-Карло
- `ZScoreDetector` — классический z-score

## Быстрый старт

```python
import pandas as pd
from project_lib import TimeSeries, ZScoreDetector

series = pd.Series([1, 2, 1, 2, 100, 2, 1])
detector = ZScoreDetector()
anomalies = detector.detect(series)
print(anomalies)
```

## Анализ данных

Проверка нормальности (`test_normality`), преобразования (`log_transform`,
`sqrt_transform`, `boxcox_transform`, `yeojohnson_transform`), автоматический
подбор детектора (`select_detector`, `select_normal_detector`) и визуализация
(`plot_anomalies`).

## Лицензия

MIT
