异常检测工具：多种方法检测数据异常值

这段代码是一个异常检测的工具类。它包含了多种方法来检测数据中的异常值。下面是每个方法的简要说明：

'detect_st_threshold(SLdata_list, sensor_id)'：该方法用于检测传感器数据中超过预设上下限的异常值，并返回异常值的索引列表。
'fill_point_B_spline(SLdata_list, error_index_list)'：该方法使用B样条曲线插值法来填充异常值。它通过在异常值周围生成新的数据点来修复异常值。
'detect_sb_2order(SLdata_list, num)'：该方法通过计算二阶导数的正负性和差异来检测异常值。如果二阶导数乘积的绝对值大于400且符号相反，则认为该点为异常值。
'detect_2n(SLdata_list)'：该方法根据相邻数据点的值判断异常值。如果一个数据点的前后数据点满足特定条件，则认为该点为异常值。
'one_order(SLdata_list)'：该方法计算一阶差分，并根据差分值的正负性判断异常值。
'twice_order(SLdata_list)'：该方法根据两次一阶差分值判断异常值。
'detect_error.get_false_alarm(SLdata_list, SLMdate_list, error_index_list, month, sensor_id)'：该方法用于计算误报率，即异常检测结果中的误报数量。
'fill_point(data_list, error_index_list)'：该方法使用邻近数据点的平均值来填充异常值。
'k_means.k_choose(data_list)'：该方法使用K-means算法选择最佳的簇数K。
'k_means.k_means_train(k, data_list)'：该方法使用K-means算法进行聚类，并返回异常值的索引列表。
'three_sigma.three_sigma_(SLdata_list, SLdata_mean, SLdata_std, sensor_id)'：该方法使用三倍标准差法检测异常值。
'three_sigma.three_sigma_strict(list)'：该方法使用严格的三倍标准差法检测异常值。
'iostation_forest.ioslation_forest_train(SLdata_list)'：该方法使用孤立森林算法进行异常检测。
'box_plot.box_plot_train(data_list)'：该方法使用箱线图法检测异常值。
'svm_.svm_train_(SLdata_list)'：该方法使用支持向量机（SVM）进行异常检测。

这些方法提供了不同的异常检测技术，可以根据需要选择合适的方法来检测数据中的异常值。