给你一步一步讲：
最最简单的，排个序，你定个剔除百分比，然后比如你要剔除10%那么你就选择一下，是剔除小的，还是剔除大的，就很快把异常值全找出来了。就是这个方法太糙，我从来不用。
在复杂一点的办法，
拟合
，拟合出这些数据的大趋势
，然后按照比例来筛选，简单给你讲讲。比如如你所说，我可以把这些数据给个编号
0，1
1，2
2，3
3，4
4，5
6，4
7，3
8，2
9，1
10，100
那么变成曲线就是这个样子
这时候你用最小二乘拟合一条曲线，可以是一次的，也可以是多次的，但是次数高了曲线就会弯曲程度很大，容易被你的异常值带跑太多
比如我用了个一次的，拟合出来的这个模样
红线部分，然后你就按照这根线，算一下差值，拟合之后的和原本点的距离，就得出来了一组新的数，比如是
2，3，8，6，4，8，5，6，9，89 (我瞎写的，没算)
这时候，你排个序，从小到大，然后你再定一个剔除率，比如，你觉得最多有10%是异常值，然后你按照次序，要前九个，不要最后一个，也就是把和拟合结果差的最多的10%不要，剔除了。
这个方法按照我的经验，虽然
不是百分百稳定
，不过已经效果不错了。但是是你
拟合的曲线的次数
，是有讲究的，根据你的数据特征，而且我们用的时候还讲究局部拟合和全局拟合，反正拟合代表大趋势，和拟合完的结果差很多，就是异常值，这个思路是这个方法的出发点。也简单给你讲一下，局部拟合我们干啥，
但是有前提条件，第一异常值不在首尾而在中间，第二，来的数据是按照一定规律连续来的
（这个规律就是数据不是瞎来的，不是毫无关系的数据），那么这就很简单了，我们用最小曲率进行局部拟合
，这个最小曲率非常好用，基本上你视觉上看的不顺眼的点，肯定是规律和其他的点不成最小曲率的，这就是为啥数据不能是瞎来的，要是瞎来的规律性不强，可能最小曲率拟合完的曲线和原本点之间的差值大小就会很分散，不利于最后结果，最小曲率是所有拟合方法中，计算最麻烦的，可是效果很漂亮，就是得注意，如果在首尾点的话，插值过程中类似于样条插值，首尾的边界问题得单考虑，这个就很复杂了，不和你细说了。在很多特定情况下，是可以一次一次拟合，判断差值，来建立
迭代关系
剔除野值的，简单来说剔除的结果再返回去用一次，重新检查剔除的是否合理，重复迭代直到稳定，这个得很针对数据特征来使用，但是这种迭代关系一旦建立，那么结果往往都非常令人满意，这个得看情况来对待，就不细说了。滤波也是一种好方法，关于滤波的各种算法网上铺天盖地，针对数据特征用各种滤波方法，也是很好用的。
解决这种问题的方法太多了， 确实对于不同情况，都有针对性的解决方案，实在是没有一种就是万能的方法。
都是我工作中遇到的，可能讲的不详细，希望能对你有帮助
