根据docs，用于检测离群值，而不是去除离群值

df = pd.DataFrame({'temp': [1,2,3,345,6,7,5345, 8, 9, 10, 11]})
clf = IsolationForest().fit(df['temp'].values.reshape(-1, 1)) 
clf.predict([[4], [5], [3636]])

array([ 1, 1, -1])
从输出中可以看出，4和5不是离群值，但3636是。
如果你想从你的网络中删除离群值，你应该使用IQR

quant = df['temp'].quantile([0.25, 0.75])
df['temp'][~df['temp'].clip(*quant).isin(quant)]

4     6
5     7
7     8
8     9
9    10

如你所见，异常值已经被移除
对于整个df

def IQR(df, colname, bounds = [.25, .75]):
    s = df[colname]
    q = s.quantile(bounds)
    return df[~s.clip(*q).isin(q)]

注意：隔离森林不能从数据集中删除离群值，它用于检测新的离群值

IsolationForest可能打算清除数据中的离群值。正如answer所说，* 在通常的机器学习设置中，您可以运行它来清理训练数据集 *。

from sklearn.ensemble import IsolationForest
clf = IsolationForest(max_samples=100, random_state=4, contamination=.1)
#identify outliers:
y_pred_train = clf.fit_predict(X_train)
#Remove outliers where 1 represent inliers and -1 represent outliers:
X_train_cleaned = X_train[np.where(y_pred_train == 1, True, False)]

我们可以使用不同的方法，如IQR，在无监督设置中对contamination进行参数化。

我知道我回答这个问题晚了，但正如@凯南所说。
你可以做的一件事是使用O_Sieve，它执行自动离群值删除并提供数据集。

pip install vcosmos
from spatial_domain.anaomaly import O_Sieve
sieve=O_Sieve(your_df target_column, tsf=2,tsf=2)
clean_df=sieve.filtered_data()
print(clean_df)

您可以调整tsf和bsf参数来选择它如何影响离群值的数量。要了解更多信息，请查看vcosmos的文档