scipy.stats.skew 和 scipy.stats.kurtosis 是最常用、最可控的选择；pandas.Series.skew() 和 pandas.Series.kurt() 虽然方便，但默认行为不同，容易误用：scipy 默认返回无偏偏度和超额峰度（fisher=True），pandas.kurt() 也返回超额峰度，但其 skew() 默认 bias=True（有偏），且不支持 fisher 参数，NaN 处理机制也不同。
skew 和 kurt 函数在哪？scipy.stats 还是 pandas？
直接说结论：scipy.stats.skew 和 scipy.stats.kurtosis 是最常用、最可控的选择；pandas.Series.skew() 和 pandas.Series.kurt() 虽然方便，但默认行为不同，容易误用。
关键区别在于「峰度」定义：scipy 默认计算的是 *excess kurtosis*（即减去正态分布的峰度 3），而 pandas 的 kurt() 也返回 excess kurtosis，这点一致；但 scipy.stats.kurtosis 的 fisher=True（默认）才对应 excess，设为 False 则返回原始峰度（含 3）。别光记“pandas 更简单”，得看你要比对的标准。
-
scipy.stats.skew默认无偏估计（bias=False），和 pandas 一致 - 若用
pandas.DataFrame.skew(axis=0)，注意 axis 含义和 numpy 一致，但易与apply(np.skew)混淆 - scipy 版本支持
nan_policy='omit'，pandas 默认跳过 NaN，但没显式参数控制
计算前必须检查的三件事
偏度和峰度对异常值极度敏感，不预处理就跑函数，结果基本不可信。
- 先用
plt.hist()或series.plot.density()看形状——单峰？双峰？长尾？ - 用
series.describe()快速扫一眼min/max/std，如果max - mean是std的 10 倍以上，偏度值大概率被拉偏 - 运行
scipy.stats.skewtest(series)和scipy.stats.kurtosistest(series)——它们返回 p 值，告诉你“这个偏度/峰度是否显著异于正态分布”，比单纯看数值更有意义
skew/kurtosis 结果怎么看？别只盯正负号
偏度 ≈ 0 不代表对称，峰度 ≈ 0（excess）也不代表正态。实际中常见误导：
立即学习“Python免费学习笔记（深入）”；
-
skew > 0.5或才算有明显右/左偏；±0.2 内基本可忽略 -
kurtosis > 1（excess）提示重尾或尖峰，但若样本量 kurtosistest 的 p 值比看数值更可靠 - 同一组数据，用
scipy.stats.kurtosis(x, fisher=False)得到 4.2，和pandas.Series(x).kurt()得到 1.2，其实完全一致（4.2 − 3 = 1.2），只是参考系不同
批量计算多个列时的坑：axis、ddof、nan_policy
在 DataFrame 上批量算，最容易栽在维度和自由度上。
-
scipy.stats.skew(df, axis=0)对每列算（默认），但axis=1是对每行算——别错当成“按行聚合” -
ddof=1（默认）用于样本偏度/峰度，符合统计惯例；但如果你传入的是总体数据，得手动设ddof=0 -
nan_policy='propagate'（默认）遇到 NaN 就返回 NaN；想跳过，必须显式写nan_policy='omit'，pandas 不会报错但自动忽略，scipy 会静默失败 - 示例：对 df 数值列批量计算，推荐写法：
from scipy.stats import skew, kurtosis<br>result = {<br> 'skew': skew(df.select_dtypes('number'), axis=0, nan_policy='omit'),<br> 'kurtosis': kurtosis(df.select_dtypes('number'), axis=0, nan_policy='omit')<br>}
实际应用里，真正卡住人的往往不是函数调用，而是没意识到：偏度峰度是描述性统计，不是检验工具；它们对小样本、多模态、离散型数据几乎失效。先画图，再检验，最后看数值——顺序错了，结论就偏了。
