您可以使用基于邻近度的异常值检测方法。这些方法分为 2 个不同的类别，1）基于集群，2）基于距离。

如果一个点到聚类质心的距离很大，则基于聚类的方法会将其定义为异常值。如果您同时拥有分类变量和连续变量，那么确保您使用的聚类方法适用于混合数据类型非常重要。适用于这两种类型的聚类方法包括 k-Prototypes 或 Squeezer。

要使用基于距离的方法，您可以使用 k-最近邻算法，并将异常值定义为与其 k 个邻域的距离远大于正常数据点的数据点。

Dbscan对您来说似乎是一个不错的选择，请查看scikit-learn 实现以进一步发现。

关于是离散的还是连续的，实际上并不重要，您需要看的是规模是否最适合手头的算法（并且scikit-learn有算法来处理）。

另一个技巧是实际查看属性是否适合分布，其中一些可能，并且检测异常值的参数方法更适合该任务。