优先用 np.quantile 因其参数 q 为 0.0–1.0 分位数，贴合统计直觉且与 sklearn/scipy 一致；需显式指定 method 控制插值，用 keepdims 避免维度压缩，含 nan 时须改用 np.nanquantile。
NumPy 的 np.quantile 是最直接、最可控的分位数计算方式；用 np.percentile 容易因参数单位混淆出错，尤其在与 pandas 或 SciPy 交互时。
为什么优先用 np.quantile 而不是 np.percentile
np.quantile 接收的是「分位数」（0.0 到 1.0），np.percentile 接收的是「百分位」（0 到 100）。两者功能几乎一样，但单位不一致极易导致误传参数——比如把 0.75 当成 75 传给 np.percentile，结果就错了。实际项目中，多数统计逻辑（如 IQR、异常值判定）天然以小数形式表达分位点，np.quantile 更贴合思维习惯。
- 统一用
np.quantile(arr, q=0.25)表达下四分位数，不用换算 -
np.percentile(arr, 25)看似直观，但和 sklearn、scipy 的q参数不一致，跨库迁移时容易漏改 - 两者默认插值方式相同（
linear），性能无差异
np.quantile 的插值行为必须显式控制
当目标分位点落在两个数据点之间时，NumPy 默认用线性插值。这在大多数场景合理，但若你依赖确定性结果（比如测试断言、金融风控阈值），插值方式就成了关键变量。
-
interpolation参数已弃用，应改用method（NumPy ≥ 1.22） - 常用选项：
method="linear"（默认）、"lower"（取左邻值）、"higher"（取右邻值）、"midpoint"（取中点） - 例如：
np.quantile([1, 2, 3, 4], 0.3, method="lower")返回2.0，而method="linear"返回2.2
多维数组分位数计算要小心 axis 和 keepdims
对二维数组求每列的中位数，写 np.quantile(arr, 0.5, axis=0) 没问题；但若后续要广播回原 shape 做减法，就容易维度不匹配。
- 默认情况下，
axis维度会被压缩掉，返回 shape 缩小 - 加
keepdims=True可保留维度，比如arr.shape == (100, 4)→np.quantile(..., axis=0, keepdims=True).shape == (1, 4) - 漏掉
keepdims是线上 bug 常见来源，尤其在特征中心化、Z-score 计算中
处理含 NaN 的数据：别依赖默认行为
np.quantile 默认不忽略 NaN，遇到任何 NaN 就直接返回 nan —— 这和 np.nanquantile 完全不同。
- 想跳过缺失值？必须用
np.nanquantile，它和np.quantile接口一致，只是自动过滤NaN -
np.quantile不提供nan_policy类参数，不存在“报错/忽略/传播”选择逻辑 - 混合使用时注意：如果上游数据可能含
NaN，却误用了np.quantile，下游所有统计值都会静默变成nan
真正麻烦的不是不会调用函数，而是插值方法、维度压缩、NaN 处理这三处默认行为，在不同业务场景下需要不同配置，且一旦写错很难被单元测试覆盖到。
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！
