scipy.stats.skew和kurtosis默认bias=True，小样本下系统性高估偏度峰度绝对值，且kurtosis默认返回excess kurtosis（正态为0），非原始峰度（正态为3），故不能直接作为机器学习特征使用。
直接说结论：scipy.stats 不适合直接“处理”机器学习中的高阶统计特征，它只负责计算——偏度、峰度、分位数等指标本身不是特征，而是你手动构造特征的原材料。
很多人误以为调用 stats.skew 或 stats.kurtosis 就算“做了高阶统计特征工程”，其实只是完成了最前端的数值计算。真正落地到模型里，需要你明确场景、封装逻辑、控制偏差，并警惕默认参数带来的误导。
为什么 stats.skew 和 stats.kurtosis 的默认结果不能直接当特征用？
这两个函数默认使用 bias=True，即不校正样本偏差。小样本（比如每条样本是 10 个时序点）下，skew 和 kurtosis 会系统性高估绝对值，尤其峰度在 n
- 真实业务中，如果你对每个用户滑动窗口计算 7 天销售额的偏度，窗口长度仅 7，
stats.skew(x, bias=True)给出的值大概率失真 -
fisher=True（默认）的峰度以正态分布为 0 基准，但很多业务分布本就不接近正态，这个“偏离程度”解释力很弱 - 它们都忽略 NaN 处理策略：
nan_policy='propagate'会让整条特征向量变NaN，而实际中你更可能想跳过或插补
如何把 skew/kurtosis 变成稳定可用的特征？
关键不是“怎么算”，而是“怎么定义”。例如金融风控中，你真正关心的不是“该用户近 30 笔交易金额的峰度是多少”，而是“其尾部波动是否显著高于同类人群”。这就需要：
立即学习“Python免费学习笔记（深入）”；
- 先用
stats.kurtosis(data, fisher=False, bias=False)得到 Pearson 峰度（正态=3），再减去群体均值做标准化，得到相对峰度 - 对偏度做符号保留但截断：小于 -3 或大于 +3 的值设为边界值，避免异常点污染后续模型
- 组合使用：比如
abs(skew) * np.log1p(kurtosis)，强化“不对称+厚尾”的联合信号，在反欺诈场景中比单独用任一指标更鲁棒 - 必须配合
axis显式指定维度：传入二维数组时，axis=1才是对每行（每个样本）独立计算；默认axis=0会错算成按列聚合
describe() 返回的 Result 对象容易被误用
stats.describe 看起来省事，但它返回的是 DescribeResult 命名元组，字段名固定且不可配置。常见陷阱：
-
skewness和kurtosis字段默认仍是bias=True，和单独调用skew()行为一致，没解决偏差问题 - 无法控制
nan_policy—— 它没有这个参数，遇到 NaN 直接报ValueError，不像单函数可设为'omit' - 返回的
minmax是 tuple，取最小值得写res.minmax[0]，容易漏括号导致运行时报错 - 如果你只需要偏度和峰度，却调了
describe，等于多算了均值、方差、计数等冗余字段，纯属浪费
真正要落地，别图省事。该拆开调就拆开调，显式传参，逐个校验输出形状和 NaN 行为——高阶统计特征的价值，全系于你对每个数字来源的掌控力。稍一模糊，它们就从信号变成噪声。
