Abstract Magnetometers are essential instruments in space physics, but their measurements are often contaminated by various external interference sources. In this work, we present a comprehensive review of existing magnetometer interference removal methods and introduce MAGPRIME (MAGnetic signal PRocessing, Interference Mitigation, and Enhancement), an open‐source Python library featuring a collection of state‐of‐the‐art interference removal algorithms. MAGPRIME streamlines the process of interference removal in magnetic field data by providing researchers with an integrated, easy‐to‐use platform. We detail the design, structure, and functionality of the library, as well as its potential to facilitate future research by enabling rapid testing and customization of interference removal methods. Using the MAGPRIME Library, we present two Monte Carlo benchmark results to compare the efficacy of interference removal algorithms in different magnetometer configurations. In Benchmark A, the Underdetermined Blind Source Separation (UBSS) and traditional gradiometry algorithms surpass the uncleaned boom‐mounted magnetometers, achieving improved correlation and reducing median error in each simulation. Benchmark B tests the efficacy of the suite of MAGPRIME algorithms in a boomless magnetometer configuration. In this configuration, the UBSS algorithm proves to significantly reduce median error, along with improvements in median correlation and signal to noise ratio. This study highlights MAGPRIME's potential in enhancing magnetic field measurement accuracy in various spacecraft designs, from traditional gradiometry setups to compact, cost‐effective alternatives like bus‐mounted CubeSat magnetometers, thus establishing it as a valuable tool for researchers and engineers in space exploration and magnetism studies.

Abstract In situ spacecraft observations are critical to our study and understanding of the various phenomena that couple mass, momentum, and energy throughout near‐Earth space and beyond. However, on‐orbit telemetry constraints can severely limit the capability of spacecraft to transmit high‐cadence data, and missions are often only able to telemeter a small percentage of their captured data at full rate. This presents a programmatic need to prioritize intervals with the highest probability of enabling the mission's science goals. Larger missions such as the Magnetospheric Multiscale mission (MMS) aim to solve this problem with a Scientist‐In‐The‐Loop (SITL), where a domain expert flags intervals of time with potentially interesting data for high‐cadence data downlink and subsequent study. Although suitable for some missions, the SITL solution is not always feasible, especially for low‐cost missions such as CubeSats and NanoSats. This manuscript presents a generalizable method for the detection of anomalous data points in spacecraft observations, enabling rapid data prioritization without substantial computational overhead or the need for additional infrastructure on the ground. Specifically, Principal Components Analysis and One‐Class Support Vector Machines are used to generate an alternative representation of the data and provide an indication, for each point, of the data's potential for scientific utility. The technique's performance and generalizability is demonstrated through application to intervals of observations, including magnetic field data and plasma moments, from the CASSIOPE e‐POP/Swarm‐Echo and MMS missions.