skew()返回无偏估计的偏度（三阶中心矩标准化值），kurtosis()默认返回超额峰度（excess kurtosis，即峰度减3）；二者均为描述统计量，非正态性检验结果。
skew() 和 kurt() 返回的是什么，不是“正态性检验结果”
很多人一看到 scipy.stats.skew() 和 scipy.stats.kurtosis()（注意不是 kurt()）就以为返回值直接对应“是否正态”，其实不是。skew() 返回的是三阶中心矩标准化后的偏度估计（无偏估计默认开启），kurtosis() 默认返回的是**峰度减去3**（即 excess kurtosis），也就是以正态分布为基准的相对峰度。这意味着：正态分布的 skew() ≈ 0，kurtosis() ≈ 0 —— 不是 3。
- 用
scipy.stats.kurtosis(data, fisher=True)才是默认行为（excess）；设fisher=False才返回原始峰度（正态下≈3） -
skew()默认用bias=False做无偏校正，小样本下更稳；设bias=True则是教科书定义的 m₃/m₂^(3/2) - 它们只是描述统计量，不能代替
scipy.stats.shapiro()或scipy.stats.normaltest()做假设检验
为什么 pandas 的 .skew() 和 scipy.stats.skew() 结果不一样
pandas 的 Series.skew() 和 DataFrame.skew() 默认不做无偏校正（bias=True），而 scipy.stats.skew() 默认做（bias=False）。小样本（n
- 统一做法：都显式指定
bias=False（推荐），尤其做跨库对比或复现论文时 - pandas 不支持
fisher参数，它的.kurtosis()等价于scipy.stats.kurtosis(..., fisher=True) - 注意 NaN 处理：pandas 默认
skipna=True，scipy 默认报错，务必先用dropna()或传nan_policy='omit'
skew() 接近 0 但直方图明显右偏？可能是样本太小或离群值干扰
偏度对极端值极度敏感。一个远在 5σ 外的离群点，就能让 skew() 从 0.1 拉到 1.5，但直方图肉眼未必能立刻识别——尤其当 bin 数少或范围没调好时。
- 先用
plt.boxplot()或data.describe()快速扫一眼min/max/75%差距 - 试试去掉 top/bottom 1% 数据再算
skew()，看数值是否回落到合理区间（如 |skew| - 对数变换后重算：若
skew(np.log1p(data))显著降低，说明原数据右偏且适合 log 处理
用 kurtosis() 判断“尖峰厚尾”要小心平台效应和样本量
样本量低于 50 时，kurtosis() 方差极大，可能把正态样本算出 ±5 的峰度；而样本量超 500 后，轻微厚尾（如 t(8) 分布）也能稳定检出 >0.5 的 excess kurtosis。
- 别只看绝对值：|kurtosis| > 1 在 n>200 时才较有参考意义；n
- 平台数据常见“伪高峰”：大量零值堆叠在左侧（如用户停留时长），导致
kurtosis虚高，此时应结合value_counts(normalize=True).iloc[0]看零值占比 - 想对比不同量纲变量的峰态？先标准化（
z = (x - x.mean()) / x.std()），再算kurtosis(z)，否则无意义
偏度和峰度不是开关按钮，它们是放大镜——放得越大，越要看清背后的数据生成逻辑和采样条件。直接拿两个数字去卡“正态性阈值”，八成会误伤。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
