最常用但需注意：zscore默认按列计算，一维数组须指定axis=0；其均值和标准差易受离群值污染，建议改用中位数与MAD构造稳健阈值；IQR法更鲁棒，应使用np.quantile(arr, [0.25, 0.75])计算Q1、Q3，并用nanpercentile处理含NaN数据。
用 np.abs(zscore) 做标准差掩码最常用但要注意中心化
直接用 scipy.stats.zscore 计算 z 值再设阈值（如 3）是最直观的离群值剔除方式，但容易忽略两点：一是 zscore 默认按列计算，一维数组要加 axis=0 防止维度错乱；二是它内部用均值和标准差中心化，而均值本身会被离群值污染——所以实际中建议先用中位数和 MAD（中位数绝对偏差）替代，或先粗筛再重算统计量。
实操建议：
- 对一维数据，务必传
axis=0，否则zscore(arr)可能返回标量或形状异常 - 若数据含明显偏态或重尾，改用
scipy.stats.median_abs_deviation+ 中位数构造稳健阈值 - zscore 掩码后用布尔索引取子集，别用
np.delete，后者需传入索引数组，效率低且易出错
布尔索引配合 np.quantile 做 IQR 掩码更鲁棒
IQR（四分位距）法不依赖正态假设，对非高斯分布更安全。核心是计算 Q1 = np.quantile(arr, 0.25) 和 Q3 = np.quantile(arr, 0.75)，然后定义上下界：low_bound = Q1 - 1.5 * (Q3 - Q1)，up_bound = Q3 + 1.5 * (Q3 - Q1)。注意 np.quantile 默认插值方式是 linear，小样本时可考虑 method='midpoint' 减少边界抖动。
常见错误现象：
- 直接写
arr[(arr > low_bound) & (arr 忘了括号，导致&运算符优先级高于比较，报ValueError: The truth value of an array with more than one element is ambiguous - 对空数组或全 NaN 数组调用
np.quantile会返回nan，后续边界计算失效；应提前用np.isfinite(arr).sum() > 0校验 - 多维数组未指定
axis，默认在展平后计算，结果不符合逐列/逐行剔除预期
用 np.where + np.nanpercentile 处理含 NaN 的真实数据
传感器或日志数据常含 nan，而 np.quantile 遇到 nan 直接返回 nan。此时必须换用 np.nanpercentile，它自动跳过 nan 计算分位数。但注意：它不支持 method 参数（仅 numpy>=1.22 版本起支持 interpolation，已弃用），老版本只能接受默认线性插值。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
使用场景：
- 原始数据含缺失值且不能简单删除整行（如时间序列需保持续性）
- 需保留原始数组 shape，只把离群位置置为
nan，后续用pd.Series.interpolate()或scipy.ndimage.uniform_filter1d平滑 - 想定位离群索引而非仅取子集，用
np.where((arr up_bound))返回元组，解包为outlier_idx = np.where(...)[0]
性能关键：避免重复计算统计量与掩码链式调用
在循环中反复对同一数组调用 np.quantile 或 zscore 是典型性能陷阱。NumPy 统计量函数本身不缓存，每次都是全量扫描。若需多次用相同阈值过滤不同字段（如 DataFrame 多列），应预先算好 Q1/Q3 或 mean/std，再广播到布尔表达式。
实操建议：
- 对二维数组做逐列 IQR，用
np.quantile(arr, [0.25, 0.75], axis=0)一次获取两组分位数，比两次调用快 40%+ - 掩码生成后立即用于索引，不要拆成
mask = ...和arr[mask]两步——除非需复用该 mask，否则中间变量无益于性能 - 超大数据（>1e7 元素）慎用
zscore，因它内部会显式构造均值广播数组，内存翻倍；改用原地减均值再除标准差更省空间
离群值剔除没有银弹：zscore 快但怕偏态，IQR 稳但对小样本分位数估计不准，真正复杂的数据往往得组合用——比如先 IQR 粗筛，再对剩余数据用 zscore 细筛。别忘了检查掩码后是否还剩足够样本量，尤其在分组操作中，空组会静默破坏下游逻辑。
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！
