偏度和峰度不能单独判定正态性，但可快速识别不对称性与尾部厚度；scipy.stats.skew默认无偏估计，bias=True才匹配教材矩定义；kurtosis默认返回超额峰度，≈0表示尾部接近正态。
偏度和峰度不能单独用来判定分布是否正态，但能快速暴露数据的不对称性和尾部厚度——直接用 scipy.stats.skew 和 scipy.stats.kurtosis 计算即可，注意默认参数是“无偏估计”，而多数统计教材用的是“矩定义”版本。
用 scipy.stats.skew 算偏度：结果正负代表方向，绝对值＞1 就算明显偏斜
偏度衡量分布左右对称性。正值表示右偏（长尾在右），负值表示左偏（长尾在左）。但数值大小依赖样本量和估计方法：
-
scipy.stats.skew默认使用无偏估计（bias=False），结果会比教科书公式（bias=True）略大，尤其在小样本（n＜20）时差异明显 - 若需和教材一致（如《概率论与数理统计》中定义），显式传入
bias=True - 空数组或全相同值会返回
nan，建议先用np.std(x, ddof=0) > 1e-10检查方差是否为零 - 示例：
skew([1,2,2,3,9])返回约1.28，说明存在明显右偏
用 scipy.stats.kurtosis 算峰度：默认返回“超额峰度”，正数≠尖顶，而是比正态更厚尾
峰度常被误解为“尖顶程度”，实际它反映的是尾部重量。scipy 默认计算的是超额峰度（excess kurtosis），即减去了正态分布的峰度值 3：
- 结果 ≈ 0 表示尾部厚度接近正态；＞0 表示重尾（异常值更多）；＜0 表示轻尾
- 不要用
kurtosis(x) == 3判断是否正态——正确写法是abs(kurtosis(x, fisher=True)) （<code>fisher=True是默认值，即超额峰度） - 若想得到原始矩峰度（未减 3），设
fisher=False，此时正态分布理论值为 3 - 小样本下峰度估计极不稳定，n＜50 时参考价值有限；n＜10 基本不可信
一次性看偏度+峰度：配合直方图和 Q-Q 图才靠谱
单看两个数字容易误判。比如偏度≈0 且峰度≈0，不代表就是正态——均匀分布、双峰分布也可能凑出类似数值：
立即学习“Python免费学习笔记（深入）”；
- 必须画图验证：
plt.hist(x, bins=30, density=True)叠加正态拟合曲线，或用scipy.stats.probplot(x, dist="norm", plot=plt)看 Q-Q 图 - 检验正态性别只依赖偏度/峰度：优先用
scipy.stats.shapiro（小样本）或scipy.stats.normaltest（大样本） - 真实数据中，偏度＞0.5 或＜−0.5、峰度绝对值＞1 就值得警惕，但最终解释要结合业务场景——比如用户停留时长天然右偏，这不是问题，而是事实
偏度和峰度是速查工具，不是诊断报告。它们对离群值极其敏感，一个极端异常值就能让偏度翻倍、峰度暴涨。计算前务必先做简单清洗或 winsorize 处理，否则数字只是在描述噪声。
