您可以使用 BoxPlot 进行异常值分析。我将向您展示如何在 Python 中做到这一点：

将您的数据视为一个数组：

a = [100, 50, 150, 200, 35, 60 ,50, 20, 500]

现在，使用 seaborn 绘制箱线图：

import seaborn as sn
sn.boxplot(a)

所以，你会得到一个看起来有点像这样的情节：

似乎500对我来说是唯一的异常值。但是，这完全取决于分析人员或统计学家的分析和容忍度，以及问题陈述。

您可以查看我在 CrossValidated SE 上的答案之一以进行更多测试。

还有一些关于异常值以及检测它们的算法和技术的好问题。

我个人最喜欢的是马氏距离技术。

异常值检测的一种思考方式是创建一个预测模型，然后检查一个点是否在预测范围内。从信息论的角度来看，您可以看到每个观察结果增加了模型的熵多少。

如果您将这些数据仅视为数字的集合，并且您没有建议的模型来说明它们是如何生成的，那么您不妨只看平均值。如果您确定这些数字不是正态分布的，则您不能就给定数字与平均值的“偏离”程度做出陈述，但您可以从绝对角度来看它。

应用此方法，您可以取所有数字的平均值，然后排除每个数字并取其他数字的平均值。与全球平均值差异最大的平均值是最大的异常值。这是一些蟒蛇：

def avg(a):
    return sum(a)/len(a)

l = [100, 50, 150, 200, 35, 60 ,50, 20, 500]
m = avg(l)
for idx in range(len(l)):
    print("outlier score of {0}: {1}".format(l[idx], abs(m - avg([elem for i, elem in enumerate(l) if i!=idx]))))
>>
outlier score of 100: 4
outlier score of 50: 10
outlier score of 150: 3
outlier score of 200: 9
outlier score of 35: 12
outlier score of 60: 9
outlier score of 50: 10
outlier score of 20: 14
outlier score of 500: 46 

一种简单的方法是使用与箱线图相同的方法：远离 1.5（中位数-q1）或 1.5（q3-中位数）=异常值。

我发现它在很多情况下都很有用，即使它并不完美而且可能太简单了。

它具有不假设常态的优点。