np.percentile是计算百分位数的首选函数，支持单值/多值批量计算、轴向操作、keepdims保持维度及nan安全版本，新版用method参数控制插值。
用 np.percentile 计算单个百分位数最直接
多数时候你只是想快速拿到第25、50（中位数）、90等分位点，np.percentile 是首选。它默认对整个数组展平后计算，不改变原数组形状。
常见错误是传入 axis 但没注意返回结果的维度变化——比如对二维数组按行（axis=1）求第95百分位，返回的是长度为 arr.shape[0] 的一维数组，不是广播友好的形状。
- 基本用法：
np.percentile(arr, 95)→ 返回标量（若arr是 1D）或降维后数组 - 指定轴：
np.percentile(arr, 50, axis=0)→ 每列的中位数，结果 shape =(arr.shape[1],) -
keepdims=True能保留原始维度，避免后续广播出错，例如：np.percentile(arr, 90, axis=1, keepdims=True)返回 shape =(N, 1) - 插值方式默认是
linear，遇到非整数位置时会线性插值；若要严格取已有元素，用interpolation='lower'或'higher'（注意 NumPy 1.22+ 已改名为method参数，旧版用interpolation）
批量计算多个百分位数别用循环，传列表进 q 参数
想同时获取 [10, 25, 50, 75, 90] 这些常用分位点？别写 for 循环调用 np.percentile —— 它支持把百分位数组织成 list 或 array 直接传给 q 参数，内部一次排序 + 插值，比多次调用快得多，尤其对大数组。
注意返回结果的 shape：若输入 arr 是 (1000, 4)，q=[10, 50, 90]，则输出 shape 是 (3, 4)（axis=None 时）或 (3, 1000)（axis=1 时），顺序严格对应 q 中的顺序。
立即学习“Python免费学习笔记（深入）”；
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
- 正确写法：
np.percentile(arr, q=[10, 50, 90]) - 错误习惯：
[np.percentile(arr, q) for q in [10,50,90]]—— 多次排序，性能差且结果不易堆叠 - 如果需要和原数组做广播运算（如标准化），建议加
keepdims=True并手动调整axis，例如：np.percentile(arr, q=[10,90], axis=0, keepdims=True)→ shape (1, 4)，可直接用于减法
np.quantile 和 np.percentile 本质一样，但接口更“统计直觉”
两者底层共享同一套实现，区别只在参数单位：np.percentile 的 q 是 0–100 的百分数，np.quantile 的 q 是 0–1 的分位数（即 quantile(q) == percentile(q * 100)）。选哪个纯看团队习惯或代码上下文是否已混用。
容易被忽略的一点：当输入含 nan 时，二者默认都返回 nan，必须显式用 np.nanpercentile 或 np.nanquantile 才能跳过缺失值。这不是“自动处理”，而是明确的设计选择。
- 等价关系：
np.quantile(arr, 0.95)≡np.percentile(arr, 95) - 含 NaN 场景必须换函数：
np.nanpercentile(arr, 95)，否则结果不可靠 - 新版 NumPy（≥1.22）中
method参数统一控制插值逻辑，如method='midpoint'、'nearest'，旧版的interpolation已弃用
超大数组慎用默认算法，考虑内存与精度权衡
np.percentile 默认先 np.sort 整个数组，时间复杂度 O(n log n)，内存占用 O(n)。当数组远超内存（比如 10GB 的 float64），直接调用会触发 MemoryError 或严重拖慢。
这时不能硬扛，得换思路：要么用近似算法（如 t-digest、DynaML 库），要么分块估算（但需注意分块后合并分位数本身不准确，除非用 P² 算法等流式方法）。
- 小到中等规模（np.percentile，它是经过高度优化的 C 实现
- 明确知道数据分布较均匀？可用
np.partition+ 手动插值，仅 O(n) 时间，但只适用于单一分位点且不要求高精度插值 - 生产环境处理日志级数据流？别依赖 NumPy 单次加载，应接入专用流式分位数库，NumPy 不是为此设计的
真正卡住人的往往不是语法，而是忘了“百分位数本质是排序后的切片位置”——一旦数据无法全量排序，所有基于 NumPy 的方案都会失效。
