# Data Formulator 异常值分析

已真实读取原创CSV、独立Python重算并渲染数据结果；未调用Data Formulator模型。配图中的参考图为独立计算产物，不是伪造的工具界面。

1. 看原始样本与异常标记
打开latency.csv，6条延迟，最后一条900ms标为待调查。异常不是自动等于错误；原始文件保持完整。
python3 analyze.py
python3 verify.py

2. 导入数值字段
在自己的Data Formulator版本导入CSV，确认latency_ms是毫秒数值。先要求列出n、min、max，核对6/100/900再做图。


3. 先分析全量数据
全量均值250ms，中位数125ms。让模型给出实际计算代码或表格，不用“约等于正常”这样的结论代替数值。


4. 建立可追踪的过滤分支
从相同输入分支，明确过滤latency_ms<=200。过滤后n=5、均值120ms、中位数120ms；把过滤规则写进标题，不原地抹掉900。


5. 并排解释两种结果
用两张可比较的图或表展示统计值。均值变化大于中位数不等于设备故障原因已确定；列出“调查900ms来源”作为后续动作。


6. 用Python核对真值
运行analyze.py读取真实CSV重算两组，修改临时副本中的900测试统计变化。verify.py会拒绝缺字段、非数值与负延迟。
python3 verify.py

7. 保留两个分支和输入
保存自己的Data Thread分支、图表、分析代码与原CSV。人工独立图表只作数值对照，不称作Data Formulator运行截图。


官方来源：https://github.com/microsoft/data-formulator