应直接使用 pandas.series.quantile() 计算分位数，它内置多种插值方式、自动处理 nan 和 dtype 转换，比手动排序取索引更准更快；注意 dtype 溢出、混合类型及加权场景需换用 scipy.mstats。
用 pandas.Series.quantile 直接算，别先排序再取索引
很多人想手动实现分位数：先 sort_values()，再按位置索引取值。这不仅慢，还容易在重复值、空值、插值逻辑上出错。pandas 的 quantile 已经封装了多种插值方式（'linear'、'lower'、'higher'、'midpoint'、'nearest'），默认 'linear'，和 NumPy 一致。
实操建议：
- 直接调用
ser.quantile(0.75)，传入 0–1 之间的浮点数，支持标量或列表：ser.quantile([0.25, 0.5, 0.75]) - 遇到
NaN时，默认跳过（skipna=True），若需保留缺失影响结果，显式设skipna=False - 若数据含
inf或-inf，quantile仍可计算，但某些插值方式（如'nearest'）可能行为异常，建议提前过滤或检查
numpy.quantile 和 pandas.quantile 参数不完全等价
两者底层都基于线性插值，但接口细节有差异：NumPy 要求输入是 array-like，不自动处理 index 或 NaN 策略；pandas 则继承 Series/DataFrame 的缺失值逻辑，并支持按 axis 批量计算。
常见错误现象：
- 用
np.quantile(df['col'], 0.9)得到结果，但df['col'].quantile(0.9)返回NaN→ 很可能是列里有object类型混入，pandas 自动跳过非数值，而 NumPy 强转失败报错或静默出错 - 传入
axis=1在 DataFrame 上用.quantile()是合法的，但np.quantile(df, 0.5, axis=1)会因混合类型或非数值列崩溃 -
np.quantile的method参数（v1.22+）命名和 pandas 的interpolation不同，比如method='linear'≡interpolation='linear'，但method='lower'在 NumPy 中叫'lower'，pandas 也叫'lower'—— 名字一样，行为一致，放心对应
分位数计算被 dtype 隐式转换悄悄改掉精度
Series 是 int64 类型时，.quantile() 默认返回 float64，没问题；但若原始数据是 uint8 或 int32，且含大值（比如接近 2¹⁶），插值过程可能溢出或降级为 float32，导致小数位丢失。
实操建议：
- 显式转成
float64再算：ser.astype('float64').quantile(0.99) - 检查结果 dtype：
ser.quantile(0.5).dtype，若意外是float32，说明输入可能已是低精度数值类型或来自某些 HDF5/Parquet 读取逻辑 - 避免用
astype(int)反向截断分位数结果——分位数本就未必是整数，硬转会引入系统性偏差
用 scipy.stats.mstats.mquantiles 处理带掩码的数组（稀疏/带权场景）
标准 pandas 和 numpy 都不原生支持「按权重算分位数」或「忽略特定掩码区域」。这时候得换工具。
适用场景：
- 传感器数据含大量无效标记（如 -999），你想把它当 mask 掉，而不是简单
dropna - 你有一组样本和对应置信权重，需要加权分位数（
statsmodels.stats.weightstats.DescrStatsW更合适，但mquantiles支持 masked array） -
mquantiles返回的是数组，不是标量，注意索引取值：mquantiles(arr, prob=[0.25,0.75])[0]是第一个分位点
注意：mstats 对 NaN 和 masked_array 友好，但对普通 ndarray 不自动识别 NaN，得先转：ma.masked_invalid(arr)。
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！
