z-score全为false主因未标准化或误用原始数据；须用scipy.stats.zscore或手动计算（ddof=0）；多变量需先standardscaler；iqr计算要统一quantile插值方法，边界判断禁用and/or；小样本慎设阈值；离群值应标记而非直接删除，超5%需查etl异常。
Z-Score检测离群值时，为什么结果全是False？
常见原因是没对数据做标准化预处理，或者直接用原始数据套公式。Z-Score本质是衡量某点距离均值有多少个标准差，所以必须用scipy.stats.zscore或手动计算(x - np.mean(x)) / np.std(x, ddof=0)——注意ddof=0（总体标准差），否则pandas默认ddof=1会导致阈值偏松。
实操建议：
- 单变量场景优先用
scipy.stats.zscore，它自动按列广播，且返回的是原始形状的数组 - 阈值选
3是经验法则，但若数据本身偏态严重（如收入、响应时间），2.5甚至2更稳妥 - 别对含
NaN的列直接算Z-Score，先用dropna()或fillna()，否则整个结果会变成NaN - 多变量时慎用Z-Score：各特征量纲差异大会导致某维度主导结果，此时应先
StandardScaler再计算
IQR方法中Q1和Q3到底怎么算才不踩坑？
关键分歧在四分位数的插值方式：numpy.quantile默认method='linear'，而pandas.Series.quantile默认method='linear'但旧版本用'inverted_cdf'，结果可能差一个数。IQR定义为Q3 - Q1，离群边界是Q1 - 1.5 * IQR和Q3 + 1.5 * IQR，但这个“1.5”不是魔法数字——它假设数据近似正态，实际业务中可调为1.2（更严格）或2.0（更宽松）。
实操建议：
- 统一用
np.quantile(x, [0.25, 0.75], method='linear')，避免pandas和numpy混用导致不一致 - 边界判断写成
(x upper_bound)，别用and/or，否则报ValueError: The truth value of an array is ambiguous - 对小样本（
n ），IQR比Z-Score更鲁棒；但若分布有多个峰，IQR可能把中间峰的边缘误判为离群 - 时间序列类数据慎用全局IQR，应分窗口滚动计算，否则早期异常会拉偏整体Q1/Q3
如何让Z-Score和IQR适配DataFrame多列并保留原始索引？
直接对DataFrame调用zscore或quantile容易丢失索引或维度错乱。核心原则是：逐列处理，拼回原结构。
实操建议：
- Z-Score：用
pd.DataFrame(np.abs(stats.zscore(df.select_dtypes(include=[np.number])), columns=df.select_dtypes(include=[np.number]).columns, index=df.index)，再> threshold - IQR：对每列循环计算
q1 = np.quantile(col.dropna(), 0.25)等，生成布尔Series后pd.concat(..., axis=1) - 别用
apply(lambda x: ...)返回标量，要返回与x等长的布尔数组，否则apply会降维 - 最终掩码用
mask = outlier_df.any(axis=1)标记整行是否含离群值，而不是简单sum
删掉离群值前，为什么必须检查它们是否携带关键业务信号？
技术上删离群值很简单，但现实中response_time > 10s可能是慢SQL，order_amount 可能是退款，<code>user_age == 199可能是录入错误——三者处理方式完全不同。硬过滤会丢失根因线索。
实操建议：
- 先用
df[outliers].describe()看离群子集的分布，再df[outliers].sample(5)人工抽检几条 - 对数值型字段，加一列
outlier_reason，用规则标注：如np.where((df['age'] > 120), 'age_invalid', np.where(...)) - 生产环境建议用“标记代替删除”：新增
is_outlier列，后续模型或报表按需过滤，而非物理删行 - 如果离群值占比超
5%，大概率不是噪声，而是数据采集逻辑变更或上游系统异常，该查ETL日志而不是调阈值
离群值检测不是数学题，是业务诊断的起点。参数可以调，但每一条被标记的数据，得有可解释的归因路径。
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！
