解决不平衡数据集中异常值与正常数据具有相同分布的问题，可以采用以下方法：

1. 数据重采样：通过对异常值进行重采样，使得异常值的数量与正常数据的数量相近。常见的重采样方法有欠采样和过采样。欠采样是随机删除一些正常数据，使得正常数据的数量与异常值相等；过采样是通过复制或生成新的样本来增加异常值的数量，使其与正常数据相等。

from imblearn.under_sampling import RandomUnderSampler
from imblearn.over_sampling import RandomOverSampler

# 欠采样
rus = RandomUnderSampler()
X_resampled, y_resampled = rus.fit_resample(X, y)

# 过采样
ros = RandomOverSampler()
X_resampled, y_resampled = ros.fit_resample(X, y)

2. 异常值处理：通过剔除异常值或将其转换为正常值，使得异常值不再与正常数据具有相同分布。常见的异常值处理方法有删除、替换和离群值检测。

# 删除异常值
df = df[(np.abs(df['column_name'] - df['column_name'].mean()) / df['column_name'].std()) < 3]

# 替换异常值为正常值的平均值
df.loc[df['column_name'] > threshold, 'column_name'] = df['column_name'].mean()

# 离群值检测
from sklearn.ensemble import IsolationForest
clf = IsolationForest(contamination=0.1)  # 设置离群值比例
clf.fit(X)
y_pred = clf.predict(X)

3. 数据增强：通过生成合成的正常数据样本，以增加正常数据的数量，从而与异常值具有不同的分布。

from imblearn.over_sampling import SMOTE

# 生成合成样本
smote = SMOTE()
X_resampled, y_resampled = smote.fit_resample(X, y)

上述方法可以根据具体的数据集和问题进行调整和组合使用，以达到处理不平衡数据集中异常值与正常数据具有相同分布的目的。