数据科学家的描述性统计实战手册：从异常检测到业务决策

1. 这不是统计学课本，而是一份数据科学家每天都在用的“描述性统计操作手册”

你打开一份新拿到的销售数据表，第一反应是什么？是立刻跑个回归模型预测下季度业绩，还是先花三分钟看看销售额的平均值、最高最低值、波动有多大？我干这行十一年，带过三十多个数据分析项目，见过太多人一上来就调sklearn、写pandas.groupby()，结果模型跑出来R²只有0.3，回头检查才发现——原始数据里有27%的订单金额是负数，还有142条记录的客户年龄写着999。这些根本不用建模就能一眼揪出来的异常，恰恰藏在最基础的描述性统计里。

描述性统计，就是数据科学里的“望闻问切”。它不预测未来，不推断因果，只做一件事：用一组数字，把数据的骨架、血肉、脾气、病灶，清清楚楚地画给你看。它不是建模前的“可选步骤”，而是你每次触碰数据时，手指最先该按下的那个键。本文讲的，不是教科书里“均值、中位数、标准差”的定义复述，而是我在电商风控、医疗设备日志分析、工业传感器故障诊断等真实项目中，如何用pandas.describe()、seaborn.histplot()、scipy.stats这些工具，三分钟内完成一次有临床意义的数据体格检查。你会看到：为什么在用户留存分析中，我宁可多算5秒四分位距，也不直接信df['retention_rate'].mean()；为什么处理IoT设备温度数据时，“标准差”这个指标必须和“偏度”、“峰度”一起读，单看一个全是误导；以及，当业务方指着报表问“为什么这个月转化率突然掉了一半”，我如何用箱线图+散点矩阵，在会议开始前10分钟，把问题定位到凌晨2:17分那批异常登录请求上。无论你是刚学完numpy的新手，还是带团队做AB测试的资深分析师，只要你每天要和Excel、CSV、数据库打交道，这份手册里的每一步操作、每一个参数选择、每一处避坑提示，都是从真实键盘敲出来的血泪经验。

2. 描述性统计不是“总结数据”，而是为后续所有分析建立可信坐标系

2.1 为什么必须先做描述性统计？——来自三个真实项目的“翻车现场”

很多人觉得描述性统计是“没技术含量”的活，是给老板看的PPT第一页。错。它是整个分析链条的地基校准仪。我来分享三个血淋淋的案例：

案例一：电商GMV预测模型崩盘
团队用3年历史订单数据训练LSTM模型，验证集R²高达0.89。上线后首周预测误差超40%。回溯发现：训练数据中“单笔订单金额”字段存在大量0值（代表优惠券核销未支付成功），但df['amount'].describe()显示均值为¥237，标准差¥189，看起来很“健康”。直到我手动加了一行df['amount'].value_counts().head(10)，才看到0值占比31.7%。描述性统计的陷阱在于：它默认数据是“干净”的连续分布，而现实中的0值、-1填充、系统默认值，会彻底扭曲均值和标准差的物理意义。后来我们改用df['amount'][df['amount'] > 0].describe()，均值跳到¥362，标准差扩大到¥291——这才是真实付费用户的分布。模型重新训练后，线上误差降到6.2%。

案例二：医疗设备报警阈值误设
某呼吸机厂商要求将“气道压力超标”报警阈值设为“均值+2倍标准差”。工程师照做，结果产线测试时报警率高达18%，远超设计的1%。问题出在：压力数据呈强右偏态（大量正常低值+少量高压峰值），mean + 2*std算出来是38cmH₂O，但实际99%的正常压力<25cmH₂O。当分布严重偏斜时，均值和标准差会严重右移，导致阈值虚高。我们改用np.percentile(df['pressure'], 99)（第99百分位数）重设阈值为24.8cmH₂O，报警率精准回落至0.97%。这个案例让我刻进骨子里：描述性统计的第一要务，不是计算，而是判断分布形态。

案例三：A/B测试结论反转
某APP做按钮颜色测试，蓝色按钮点击率12.3%，红色按钮11.8%，p值<0.01，结论“蓝色显著更优”。但当我画出两组用户的点击时间分布直方图，发现蓝色组在凌晨3-5点有异常高峰（爬虫流量），剔除该时段后，红色按钮点击率反超0.4个百分点。描述性统计的终极价值，是暴露数据的“时空上下文”。describe()给你的是一张静态快照，而df.groupby('hour')['clicks'].agg(['count','mean'])给出的是动态脉搏。没有后者，快照再漂亮也是海市蜃楼。

这三个案例指向同一个核心逻辑：描述性统计不是对数据的“总结”，而是对数据生成机制的“质询”。它强迫你问：这些数字是怎么来的？谁填的？在什么条件下采集的？有没有系统性缺失？它的输出不是终点，而是你启动任何高级分析前，必须签下的那份“数据知情同意书”。

2.2 描述性统计的四大核心任务与对应工具链

我把日常工作中描述性统计拆解为四个不可跳过的任务层，每个层对应一套最小化工具组合，确保3分钟内完成一次有效检查：

这个工具链的设计哲学是：拒绝“全量计算”，坚持“按需触发”。比如，df.describe()默认计算所有数值列，但实际项目中，你可能只需关注revenue、conversion_rate、session_duration这3个核心指标。我会写一行df[['revenue','conversion_rate','session_duration']].describe()，而不是让pandas去算那27个无关字段。省下的不仅是CPU时间，更是避免被噪音指标干扰判断力。

2.3 描述性统计的“黄金三角”：为什么均值/中位数/众数必须一起看？

新手常犯的错误，是看到df['age'].mean()=35.2，就直接写进报告“用户平均年龄35岁”。这就像医生只看体温计读数36.5℃，就宣布病人健康。真正的判断，需要“黄金三角”协同作战：

• 均值（Mean）：所有数值的算术平均。它敏感、全面，但致命弱点是被极端值绑架。比如100个用户年龄均值35，其中99人25-45岁，1人102岁（家族长寿），均值就被拉高到35.2——这个数字对产品设计毫无指导意义。

• 中位数（Median）：排序后居中的值。它免疫极端值，代表“典型用户”。在上面的例子中，中位数仍是35，真实反映大多数人的位置。当|mean - median| > 0.1 * std时，强烈建议优先采用中位数（我设的阈值，经23个项目验证有效）。

• 众数（Mode）：出现频率最高的值。它揭示最普遍的用户画像。比如电商用户年龄众数是28，说明28岁是绝对主力；而如果众数是0（因数据清洗未处理的占位符），这就是红色警报。

实战技巧：用一行代码同时获取三者并可视化

import matplotlib.pyplot as plt import seaborn as sns # 计算黄金三角 stats = df['age'].agg(['mean', 'median', pd.Series.mode]) print("黄金三角结果：", stats.to_dict()) # 可视化（直方图+三线标注） plt.figure(figsize=(10,6)) sns.histplot(df['age'], kde=True, bins=30, alpha=0.7) plt.axvline(stats['mean'], color='r', linestyle='--', label=f'均值={stats["mean"]:.1f}') plt.axvline(stats['median'], color='g', linestyle='-.', label=f'中位数={stats["median"]:.1f}') plt.axvline(stats['mode'].iloc[0], color='b', linestyle=':', label=f'众数={stats["mode"].iloc[0]}') plt.legend() plt.title('用户年龄分布与黄金三角') plt.show()

提示：pd.Series.mode()返回Series，需.iloc[0]取第一个众数（多众数时取首个）。若想强制单众数，可用df['age'].mode().iloc[0] if not df['age'].mode().empty else np.nan。

这个三角不是为了炫技，而是构建数据可信度仪表盘。当三者高度一致（如均值34.8、中位数35、众数35），说明分布健康，均值可用；当均值明显右偏（如均值42、中位数35、众数28），说明存在高龄用户长尾，此时用均值做预算预测必然高估。

3. 核心指标深度解析：从公式到业务场景的硬核落地

3.1 四分位距（IQR）：比标准差更值得信赖的“离散度代言人”

标准差（Standard Deviation）是教科书宠儿，但在真实数据战场，它常因一个致命缺陷被降级：对离群点零容忍。只要数据中混入几个极端值，标准差就会像吹气球一样膨胀，让你误判“数据很分散”，而实际上95%的数据挤在很小的区间里。

四分位距（Interquartile Range, IQR）完美规避了这个问题。它的定义是：第三四分位数（Q3）减去第一四分位数（Q1），即IQR = Q3 - Q1。Q1是25%分位数，Q3是75%分位数，IQR覆盖了中间50%的数据，天然屏蔽了上下各25%的极端值。

为什么IQR在工业场景中成为我的首选？
去年做风电设备振动传感器数据分析，原始vibration_amplitude字段标准差高达12.7mm/s²，看起来“波动剧烈”。但画出箱线图后发现：Q1=0.8, Q3=1.2, IQR=0.4，而最大值15.3是传感器接触不良导致的瞬时噪声。IQR=0.4mm/s²，才是设备真实运行的稳定区间。我们据此将报警阈值设为Q3 + 1.5*IQR = 1.2 + 0.6 = 1.8mm/s²，比mean + 2*std = 2.1 + 25.4 = 27.5mm/s²合理15倍。

IQR的业务化应用三步法：

1. 计算：iqr = df['vibration'].quantile(0.75) - df['vibration'].quantile(0.25)
2. 定义异常：outliers = df[(df['vibration'] < df['vibration'].quantile(0.25) - 1.5*iqr) | (df['vibration'] > df['vibration'].quantile(0.75) + 1.5*iqr)]
3. 业务解读：len(outliers)/len(df)*100= “异常数据占比”，直接写入运维日报。

注意：1.5倍IQR是Tukey法则的经典系数，但并非金科玉律。在金融风控中，我常用1.2倍（更敏感）；在制造业良率分析中，用2.0倍（更稳健）。系数选择必须匹配业务风险偏好——宁可漏报1次故障，不可误报10次停机。

3.2 偏度（Skewness）与峰度（Kurtosis）：读懂数据“长相”的密钥

如果说均值、标准差描述数据的“位置”和“胖瘦”，那么偏度和峰度就是描述它的“长相”。这两个指标常被忽略，却是诊断数据质量问题的X光片。

• 偏度（Skewness）：衡量分布对称性。

  • Skewness ≈ 0：对称分布（如正态分布）
  • Skewness > 0：右偏（长尾在右，如收入分布，多数人收入低，少数人极高）
  • Skewness < 0：左偏（长尾在左，如设备故障间隔时间，多数短时间故障，少数超长寿命）
    业务启示：右偏数据中，均值 > 中位数，用均值汇报“平均收入”会夸大实际水平；左偏数据中，均值 < 中位数，用均值评估“平均故障间隔”会低估设备可靠性。

• 峰度（Kurtosis）：衡量分布“尖峭程度”和尾部厚度。

  • Kurtosis ≈ 3：正态峰度（常以“超额峰度”Kurtosis-3表示，≈0）
  • Kurtosis > 3（或超额峰度>0）：尖峰厚尾（如股票日收益率，大部分日子波动小，但黑天鹅事件频发）
  • Kurtosis < 3（或超额峰度<0）：平峰薄尾（如骰子点数，6个结果概率均等）
    业务启示：厚尾分布意味着极端事件发生概率远高于正态假设，用mean ± 2*std做预测区间会严重失效。此时必须用分位数法（如np.percentile(data, [2.5, 97.5])）。

实操代码与解读模板：

from scipy import stats # 计算偏度和峰度（使用scipy更准确） skew_val = stats.skew(df['revenue']) kurt_val = stats.kurtosis(df['revenue']) # 返回超额峰度 print(f"营收分布偏度: {skew_val:.3f} (>{0.5}为右偏, <{-0.5}为左偏)") print(f"营收分布峰度: {kurt_val:.3f} (>{1.0}为厚尾, <{-1.0}为薄尾)") # 可视化对比（叠加正态分布曲线） plt.figure(figsize=(12,5)) plt.subplot(1,2,1) sns.histplot(df['revenue'], kde=True, stat="density", alpha=0.6) x_norm = np.linspace(df['revenue'].min(), df['revenue'].max(), 100) plt.plot(x_norm, stats.norm.pdf(x_norm, df['revenue'].mean(), df['revenue'].std()), 'r--', label='正态拟合') plt.title(f'营收分布 (偏度={skew_val:.2f})') plt.subplot(1,2,2) sns.boxplot(y=df['revenue']) plt.title(f'营收箱线图 (IQR={df["revenue"].quantile(0.75)-df["revenue"].quantile(0.25):.0f})') plt.show()

实操心得：我习惯把skew()和kurtosis()结果直接写进Jupyter Notebook的Markdown单元格，作为后续分析的“免责声明”。例如：“因营收偏度=2.8，后续所有均值比较均采用Wilcoxon秩和检验，而非t检验”。

3.3 相关性矩阵：不止是数字，更是业务关系的拓扑图

df.corr()输出的热力图，常被当作“变量间有没有关系”的开关。这是巨大误解。相关系数（尤其是Pearson）只衡量线性相关强度，对非线性关系（如U型、指数型）完全无感。更危险的是，它对异常值极度敏感——一个离群点就能让相关系数从0.1飙升到0.7。

我的三重验证法：

1. 首选Spearman秩相关：df.corr(method='spearman')。它基于排序而非原始值，对单调非线性关系（如“广告费增加，销量先升后降”）依然有效，且抗离群点。
2. 必画散点图矩阵：sns.pairplot(df[['ad_spend','sales','clicks']], kind='reg')。眼睛比任何数字都可靠。曾发现ad_spend与salesPearson相关仅0.3，但散点图显示明显的分段线性：花费<5万时几乎无增长，>5万后陡增——这是典型的“临界效应”，相关系数完全无法捕捉。
3. 业务逻辑兜底：即使相关系数高达0.9，也要问“这符合常识吗？”。某次发现user_age与app_crash_rate相关系数-0.85，乍看是“年轻人更爱摔手机”，实则是老年用户更倾向在信号弱的郊区使用，而郊区基站覆盖差——真正驱动因素是signal_strength，age只是代理变量。

相关性矩阵的业务化改造：
我从不直接展示原始相关系数矩阵。而是创建“业务影响热力图”：

# 计算Spearman相关 corr_matrix = df[['revenue','conversion_rate','avg_session','bounce_rate']].corr(method='spearman') # 添加业务解读列（人工填写，非算法生成） business_impact = { 'revenue': '核心KPI，直接影响盈亏', 'conversion_rate': '转化漏斗效率，优化空间大', 'avg_session': '用户粘性指标，提升需内容投入', 'bounce_rate': '流量质量预警，降低需SEO优化' } # 创建带业务标签的DataFrame impact_df = pd.DataFrame({ 'metric': list(business_impact.keys()), 'business_impact': list(business_impact.values()) }) # 合并到相关矩阵（略去代码，重点是思维）

这样，热力图旁的文字说明，把冰冷的-0.65变成“跳出率每升高1%，营收平均下降0.65%，属高优先级优化项”。数据科学的价值，永远在翻译，不在计算。

4. 全流程实操：从原始CSV到可交付洞察报告的7步工作流

4.1 步骤1：数据加载与初步探查（<30秒）

绝不跳过这一步！很多问题在此刻就能发现。

import pandas as pd import numpy as np # 加载数据（关键：指定dtype，避免pandas自动推断错误） df = pd.read_csv('user_behavior.csv', dtype={'user_id': 'string', 'device_type': 'category'}, # 强制类型 parse_dates=['event_time']) # 时间列自动解析 # 闪电式探查（3行代码解决80%问题） print("=== 数据概览 ===") print(f"形状: {df.shape}") print(f"内存占用: {df.memory_usage(deep=True).sum()/1024**2:.1f} MB") print("\n=== 字段类型 ===") print(df.dtypes) print("\n=== 缺失值速览 ===") print(df.isnull().sum()[df.isnull().sum()>0]) # 只显示有缺失的列

实操心得：memory_usage(deep=True)能发现字符串列内存爆炸（如10万行用户地址占500MB），此时立即用df['address'] = df['address'].astype('category')可压缩90%内存。parse_dates避免后续用pd.to_datetime()二次转换的性能损耗。

4.2 步骤2：数值型字段的“黄金三角”体检（2分钟）

针对所有数值列，批量执行均值/中位数/众数检查，并标记异常：

num_cols = df.select_dtypes(include=[np.number]).columns.tolist() results = [] for col in num_cols: s = df[col].agg(['mean', 'median', 'std', 'min', 'max', 'count']) # 计算变异系数（CV = std/mean），衡量相对离散度 cv = s['std'] / s['mean'] if s['mean'] != 0 else np.nan # 标记分布异常（偏度绝对值>1 或 CV>2） skew_val = abs(stats.skew(df[col].dropna())) is_abnormal = skew_val > 1 or (cv > 2 and not np.isnan(cv)) results.append({ 'column': col, 'mean': s['mean'], 'median': s['median'], 'std': s['std'], 'cv': cv, 'skew': skew_val, 'abnormal_flag': '⚠️' if is_abnormal else '✅', 'min': s['min'], 'max': s['max'] }) # 转为DataFrame并排序（异常优先） report_df = pd.DataFrame(results).sort_values('abnormal_flag', ascending=False) print(report_df.to_string(index=False, float_format='%.3f'))

输出示例：

column mean median std cv skew abnormal_flag min max revenue 237.456 189.200 189.123 0.796 2.345 ⚠️ 0.000 1523.990 age 35.210 34.000 9.876 0.281 0.123 ✅ 18.000 99.000

注意：revenue行abnormal_flag=⚠️，立刻触发下一步深度诊断；age行✅，可放心用于后续分组分析。

4.3 步骤3：分布形态深度诊断（3分钟）

对异常字段（如revenue）进行分布形态剖析：

col = 'revenue' data_clean = df[col].dropna() # 计算核心形态指标 q1, q2, q3 = data_clean.quantile([0.25, 0.5, 0.75]) iqr = q3 - q1 lower_bound = q1 - 1.5 * iqr upper_bound = q3 + 1.5 * iqr print(f"=== {col} 分布诊断报告 ===") print(f"中位数(Q2): {q2:.2f}") print(f"四分位距(IQR): {iqr:.2f}") print(f"理论正常范围: [{lower_bound:.2f}, {upper_bound:.2f}]") print(f"异常值数量: {((data_clean < lower_bound) | (data_clean > upper_bound)).sum()} ({((data_clean < lower_bound) | (data_clean > upper_bound)).mean()*100:.1f}%)") # 绘制专业诊断图 fig, axes = plt.subplots(2, 2, figsize=(15, 10)) sns.histplot(data_clean, kde=True, ax=axes[0,0], bins=50) axes[0,0].set_title(f'{col} 分布直方图') axes[0,0].axvline(q2, color='r', linestyle='--', label='中位数') axes[0,0].legend() sns.boxplot(y=data_clean, ax=axes[0,1]) axes[0,1].set_title(f'{col} 箱线图（IQR={iqr:.1f}）') # QQ图检验正态性 from scipy import stats stats.probplot(data_clean, dist="norm", plot=axes[1,0]) axes[1,0].set_title(f'{col} QQ图（检验正态性）') # 累积分布函数（CDF） x_sorted = np.sort(data_clean) y_cdf = np.arange(1, len(x_sorted)+1) / len(x_sorted) axes[1,1].plot(x_sorted, y_cdf, marker='.', linestyle='none') axes[1,1].set_xlabel(col) axes[1,1].set_ylabel('累积概率') axes[1,1].set_title(f'{col} CDF图') axes[1,1].grid(True) plt.tight_layout() plt.show()

实操心得：CDF图是业务方最容易理解的工具。告诉他们“X轴值对应Y轴的累积概率”，比如revenue=¥500对应CDF=0.92，即“92%的订单金额≤¥500”，比说“第92百分位数”直观10倍。

4.4 步骤4：关键业务指标的分位数解读（1分钟）

将统计量翻译成业务语言：

# 定义业务关键分位数 business_percentiles = [50, 75, 90, 95, 99] # 计算并格式化输出 pct_results = df['revenue'].quantile(np.array(business_percentiles)/100) print("=== 营收业务分位数解读 ===") for p, val in zip(business_percentiles, pct_results): print(f"第{p}百分位数: ¥{val:.0f} → {p}%的订单金额 ≤ ¥{val:.0f}") # 生成服务等级协议（SLA）建议 sla_95 = pct_results[business_percentiles.index(95)] print(f"\n【SLA建议】95%订单响应时间应 ≤ ¥{sla_95:.0f}（当前达标率: {((df['revenue'] <= sla_95).mean()*100):.1f}%)")

输出：

=== 营收业务分位数解读 === 第50百分位数: ¥189 → 50%的订单金额 ≤ ¥189 第75百分位数: ¥298 → 75%的订单金额 ≤ ¥298 第90百分位数: ¥421 → 90%的订单金额 ≤ ¥421 第95百分位数: ¥587 → 95%的订单金额 ≤ ¥587 第99百分位数: ¥1203 → 99%的订单金额 ≤ ¥1203 【SLA建议】95%订单响应时间应 ≤ ¥587（当前达标率: 94.2%）

提示：quantile()支持数组输入，一次性计算多个分位数，比循环调用快5倍。业务分位数选择有讲究：50%（中位数）、75%（优质用户门槛）、90%/95%（SLA基准）、99%（极端情况预案）。

4.5 步骤5：变量关系探索（3分钟）

聚焦核心业务假设，用最小成本验证：

# 假设1：高客单价用户是否停留更久？ sns.scatterplot(data=df, x='revenue', y='avg_session_duration', alpha=0.6) plt.title('客单价 vs 平均停留时长（散点图）') plt.show() # 计算Spearman相关（抗异常值） corr_val = df['revenue'].corr(df['avg_session_duration'], method='spearman') print(f"Spearman相关系数: {corr_val:.3f}") # 假设2：不同设备类型的转化率差异？ device_conv = df.groupby('device_type')['conversion_rate'].agg(['mean','std','count']).round(3) print("\n=== 设备类型转化率对比 ===") print(device_conv) # 可视化分组对比 plt.figure(figsize=(10,5)) sns.barplot(data=df, x='device_type', y='conversion_rate', ci=95) # 95%置信区间 plt.title('各设备类型转化率（含置信区间）') plt.show()

实操心得：ci=95在barplot中自动添加误差线，比手动计算std/sqrt(n)直观。若某组count过小（如<30），误差线会极宽，这就是在提醒你“数据不足，结论存疑”。

4.6 步骤6：生成自动化报告（1分钟）

用pandas_profiling（现为ydata-profiling）一键生成HTML报告：

# 安装：pip install ydata-profiling from ydata_profiling import ProfileReport # 生成报告（仅核心字段，避免冗余） profile = ProfileReport( df[['revenue','conversion_rate','avg_session_duration','device_type','event_date']], title="用户行为数据描述性统计报告", explorative=True, minimal=True # minimal=True加速生成 ) profile.to_file("descriptive_report.html") # 保存为HTML

注意：minimal=True关闭耗时的关联分析，专注基础统计。报告包含交互式图表、缺失值热力图、变量重要性排序，可直接发给业务方。我通常在报告首页加一段手写备注：“重点关注：revenue分布右偏（偏度2.3），建议用中位数¥189作为基准；device_type中iOS转化率（12.3%）显著高于Android（8.7%），p<0.001”。

4.7 步骤7：交付与沟通（关键！）

描述性统计的终点不是代码运行成功，而是业务方点头认可。我的交付包永远包含三件套：

1. 1页PDF摘要：用matplotlib生成3个核心图表（分布直方图+箱线图+分组对比柱状图），配100字以内业务结论。
2. 可交互HTML报告：ydata-profiling生成，供技术同事深挖细节。
3. 1句行动建议：写在邮件正文第一行，例如：“建议下周起，将iOS端促销预算提高20%，预计可提升整体转化率1.2个百分点。”

最后一句心得：我从不向业务方解释“偏度是什么”，而是说“这意味着，如果我们按平均值¥237做库存预测，有60%的概率会多备货，因为一半订单其实不到¥189。” 数据科学的终极能力，是把统计语言翻译成业务动词。

5. 高频问题排查与独家避坑指南

5.1 “describe()结果和直方图对不上！”——数据类型陷阱

现象：df['price'].describe()显示mean=237.5，但直方图峰值在¥199，且右侧有长尾。
根因：price列被pandas误判为object类型（含非数字字符如“¥”、“,”或空格），describe()对object列只返回计数、唯一值等，根本没计算均值！你看到的237.5其实是另一列的值。
排查：

print(df['price'].dtype) # 若输出object，立即处理 # 清洗：去除¥、逗号，转数值 df['price'] = df['price'].str.replace(r'[¥,]', '', regex=True).str.strip().astype(float)

提示：df.info()第一眼必须看dtypes列。曾有个项目，user_id是字符串但被当成int，describe()显示mean=5e8，实际是ID拼接错误。

5.2 “箱线图全是异常值！”——IQR系数滥用

现象：sns.boxplot(y=df['latency'])显示90%数据被标为异常点。
根因：IQR系数1.5是通用规则，但对厚尾分布（如网络延迟）过于敏感。
解法：

• 方案A（推荐）：改用np.percentile(data, [1, 99])定义异常（1%和99%分位数）。
• 方案B：用scipy.stats.zscore()，但限定abs(zscore) > 4（比3更宽松）。
• 方案C：