LocalOutlierFactor是scikit-learn中LOF算法的唯一正确类名，必须从sklearn.neighbors导入，不支持lof或LOF缩写；它无fit_predict方法，需调用fit()后通过labels_（布尔数组）或negative_outlier_factor_（连续得分）获取结果，且n_neighbors需合理设置以避免过敏感或过度平滑。
LOF算法在scikit-learn里叫LocalOutlierFactor，不是lof或LOF
很多人搜“LOF”直接写from sklearn import lof或LOF()，会报ModuleNotFoundError或NameError。它藏在sklearn.neighbors模块下，且类名是LocalOutlierFactor——大小写、全称、无缩写，必须写对。
正确导入方式：
from sklearn.neighbors import LocalOutlierFactor
-
LocalOutlierFactor默认不做训练/预测分离，fit时直接输出异常分值和标签，不提供predict()方法（区别于IsolationForest） - 它没有
fit_predict()的返回值顺序陷阱：返回的是布尔数组inlier = True表示正常点，False才是离群点——这点容易和直觉反着记 - 若用
contamination参数设为0.1，模型会自动把得分最低的10%样本标为False；但实际数据中离群程度可能不均匀，这个阈值未必可靠
LocalOutlierFactor必须用fit，不能跳过直接fit_predict
常见错误是照搬DBSCAN或KMeans习惯，写lof.fit_predict(X)，结果报AttributeError: 'LocalOutlierFactor' object has no attribute 'fit_predict'。
它只支持fit()，然后通过属性读取结果：
立即学习“Python免费学习笔记（深入）”；
lof = LocalOutlierFactor(n_neighbors=20, contamination=0.05) y_pred = lof.fit(X).labels_ # 注意：是 .labels_，不是 .predict() 或 .fit_predict()
-
.labels_是布尔数组：True= 正常点，False= 离群点 -
.negative_outlier_factor_是原始LOF得分（越小越异常），比.labels_更精细，适合画分布图或自定义阈值 - 如果X含缺失值（
np.nan），会直接报ValueError: Input contains NaN，必须提前用SimpleImputer或删行处理
n_neighbors设太小或太大都会让LOF失效
n_neighbors控制局部邻域大小，不是随便设个20就完事。它直接影响密度估计的粒度：
- 设太小（如
n_neighbors=5）：邻域过窄，噪声被误判为离群，尤其在稀疏区域 - 设太大（如
n_neighbors=100）：邻域覆盖过广，局部结构被平滑掉，真实离群点变得“正常” - 经验法则是：取数据集规模的1%–2%，且不低于20；若样本少于200，建议从
min(20, len(X)//2)起步试 - 注意：该参数只影响
fit阶段，不参与后续推理——LOF本身是无监督，没有独立的predict阶段
用negative_outlier_factor_比labels_更能看出异常梯度
contamination强制截断得分，会掩盖异常程度差异。比如两个样本得分分别是-2.1和-4.8，都被标为False，但后者明显更异常。
推荐做法：
lof = LocalOutlierFactor(n_neighbors=20) lof.fit(X) scores = lof.negative_outlier_factor_ # 负得分，越小越异常 # 手动选阈值，例如取下5%分位数 threshold = np.percentile(scores, 5) is_outlier = scores < threshold
-
negative_outlier_factor_是浮点数组，长度等于X.shape[0]，可直接用于排序、绘图、加权 - Scikit-learn 1.2+版本中，该数组已按升序排列（最小即最异常），但别依赖这个顺序，显式用
np.argsort(scores)更稳 - 多维数据上LOF对量纲敏感：务必先用
StandardScaler或MinMaxScaler归一化，否则某列单位大（如收入万元 vs 年龄岁）会主导距离计算
真正麻烦的是高维稀疏数据——LOF在>10维时距离失效问题会凸显，这时得考虑降维或换用IsolationForest。
