优先用 np.quantile 而非 np.percentile，因其参数 q 为 0.0–1.0 分位数，语义清晰、贴合统计直觉且与 sklearn/scipy 一致；需显式指定 interpolation 控制插值，用 keepdims 避免维度压缩，含 NaN 时须改用 np.nanquantile。
用 np.quantile 直接算，别用 np.percentile 混淆语义
两者功能几乎一样，但参数单位不同：np.quantile 接收 0–1 区间的分位数（比如中位数是 0.5），np.percentile 接收 0–100 的百分位（中位数是 50）。实际项目里混用容易写错，尤其当逻辑要和统计教材或下游系统对齐时。建议统一用 np.quantile，语义更清晰。
常见错误：传入 q=95 给 np.quantile，结果远超数据范围——其实是把百分位当成分位数用了。
- 正确写法：
np.quantile(data, 0.95)（95% 分位） - 错误写法：
np.quantile(data, 95)（会当作索引越界处理，可能报IndexError或返回意外值） - 若必须用
np.percentile，记得除以 100：np.percentile(data, 95)
多维数组分位数计算必须指定 axis，否则默认展平
这是最常踩的坑：对二维数组直接调用 np.quantile(data, 0.5)，你以为是在每列上算中位数，结果它把整个矩阵拉成一维再算——得到的是全局中位数，不是你想要的列/行统计。
典型场景：你想知道每只股票每日收益率的 25% 分位数（即每列一个值），就得明确告诉 NumPy 按哪一维操作。
立即学习“Python免费学习笔记（深入）”；
华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。
- 按列（每列一个分位数）：
np.quantile(data, 0.25, axis=0) - 按行（每行一个分位数）：
np.quantile(data, 0.25, axis=1) - 不指定
axis→ 等价于axis=None→ 全局计算 - 如果想保留原维度形状（比如输出和输入同 shape），加
keepdims=True
interpolation 参数影响结果精度，尤其小样本时不能忽略
当分位点落在两个数据点之间时，NumPy 需插值。默认插值方式是 'linear'，但还有 'lower'、'higher'、'midpoint'、'nearest' 可选。不同业务对“保守估计”或“向上取整”有硬性要求（比如风控阈值必须不低于某分位），这时必须显式指定。
例如：某监控指标要求告警阈值取“不低于 99% 分位的最小值”，就该用 interpolation='higher'；若做学术报告需严格匹配 R 或 SPSS 的默认行为，得查清它们用的是哪种插值。
- 小样本（
-
'linear'是线性插值（最常用），'nearest'返回最近的原始观测值 - 注意：NumPy 1.22+ 已弃用
interpolation参数名，改用method，但旧版本仍认interpolation；建议检查np.__version__后适配
大数据量时优先用 np.quantile 而非排序后索引取值
有人图省事手写 sorted_data[int(0.95 * len(data))]，这在小数据上可行，但问题不少：没处理插值、不支持多维、无法指定 axis、且对大数组排序开销远高于 NumPy 内置算法。NumPy 的 quantile 实际用的是 introselect 类算法，平均时间复杂度 O(n)，比全排序 O(n log n) 更快。
- 100 万点数组，
np.quantile通常比np.sort+ 索引快 3–5 倍 - 内存友好：不需要额外存完整排序数组
- 若只需单个分位数，别用
np.percentile传数组如[25, 50, 75]——它内部会重复扫描，不如循环调用单次np.quantile
分位数计算看着简单，但 axis、插值方式、参数单位这三个点，任一个设错都会让结果偏离预期。特别是生产环境跑批任务时，最好在测试数据上打印中间结果，确认维度和数值都符合业务定义。
