pandas.Series.skew()和kurtosis()默认用无偏估计（ddof=1）计算偏度与超额峰度，自动跳过NaN，但要求数值型输入；scipy.stats对应函数默认有偏（bias=True），导致结果差异；describe()不包含偏度峰度，需单独调用。

用 pandas.Series.skew() 和 pandas.Series.kurtosis() 直接算

偏度（Skewness）衡量分布左右不对称程度，峰度（Kurtosis）反映尾部厚重程度（注意：pandas 默认计算的是 excess kurtosis，即减去正态分布的 3）。直接调用这两个方法最省事，但得确认数据类型和缺失值处理方式。

实操建议：

• skew() 和 kurtosis() 默认跳过 NaN，无需提前 dropna()，但若想强制包含缺失值，需先用 fillna() 处理
• 输入必须是数值型 Series 或 DataFrame 的单列；若列含字符串或混合类型，会静默返回 NaN，建议先检查 dtype
• 对 DataFrame 调用时，会按列分别计算，返回 Series，不支持跨行（axis=1）计算偏度/峰度

为什么 scipy.stats.skew() 和 pandas 结果有时不一致

根本区别在「无偏估计」和「样本 vs 总体」的默认设定。pandas 的 skew() 和 kurtosis() 默认使用无偏估计（即除以 n-1 的修正），而 scipy.stats.skew() 默认是 biased（除以 n），且 scipy 的 kurtosis() 默认也返回 excess 峰度，但可通过 fisher=False 切换为原始峰度（未减 3）。

常见错误现象：

立即学习“Python免费学习笔记（深入）”；

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

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

下载

• 用 scipy.stats.kurtosis(x) == pandas.Series(x).kurtosis() 返回 False —— 实际上两者默认都是 excess 峰度，但 scipy 默认 biased=True，pandas 默认 ddof=1，导致数值微差
• 想复现 SPSS 或 Excel 的结果，需统一设 scipy.stats.skew(x, bias=True) 和 pandas.Series(x).skew(0)（0 表示 ddof=0）

在 describe() 中默认不显示偏度与峰度

DataFrame.describe() 默认只输出 count、mean、std、min、25%、50%、75%、max 这些统计量，偏度和峰度不在其中。不能靠加参数让它出现，必须单独调用。

使用场景：

• 快速探索性分析时，别指望 describe(include='number') 自动带出偏度——它不会
• 若想批量计算多列的偏度/峰度并拼进描述表，可构造字典再转 DataFrame：

  pd.DataFrame({
      'skew': df.select_dtypes('number').apply(pd.Series.skew),
      'kurtosis': df.select_dtypes('number').apply(pd.Series.kurtosis)
  })

• 注意 describe() 对非数值列（如 object 类型）会跳过，但 skew() 遇到非数值列会直接报 TypeError，不是静默跳过

空值、极少量数据或常数列会导致什么问题

这三个边界情况最容易被忽略，但一跑就报错或返回意外值。

容易踩的坑：

• 空 Series（len(s) == 0）调用 skew() 返回 NaN，但不报错；而长度为 1 的序列，skew() 也返回 NaN（方差为 0，无法归一化）
• 全相同值的列（如全是 5.0），skew() 返回 0.0（合理），但 kurtosis() 返回 NaN（分母为 0）
• 含大量 NaN 的列（比如有效样本 skew() 仍可能返回数值，但标准误极大，实际不可信；pandas 不做样本量警告，得自己加判断：if s.count()

偏度和峰度本身对样本量敏感，尤其峰度受异常值影响剧烈。别只看一个数字，一定要配合直方图或 boxplot 看分布形态——否则 kurtosis = -1.2 可能只是小样本抖动，未必真代表扁平分布。