AI 报告里的 P90 与表格软件不同，怎样固定分位数算法再复算

先明确分位数的排序、插值方法和缺值处理，再比较AI脚本与表格输出。本例十个时长10至100，线性插值得到P90为91，取较低邻点是90，取较高邻点是100；这些数值差异可以来自算法约定，而不必然是程序算错。

从排序索引解释差异

输入以毫秒计，共十条记录，没有缺值。线性方法使用从零开始的索引h=(n−1)q，P90时h=8.1，落在第9个值90与第10个值100之间，插入十分之一距离，得到91。P50时h=4.5，落在50与60之间，得到55。分位数不是某条记录的百分位排名，也不是把数值除以100；先把概念说清，才能比较不同软件。

将方法写在结果旁边

附件用NumPy显式传method，输出linear、lower、higher和nearest四种结果。nearest遇到恰好半格的细节可能与直觉中的四舍五入不同，因此不要把“最接近”随意改写成手工取整。方法卡记录运行时库版本、排序输入和拒绝缺值的选择。真正需要对照某个表格函数时，应查那个函数与当前版本的定义，而不是断言所有电子表格都采用同一个默认方法。

用小样本先核对中间值

先打开quantiles.csv，核对P50的线性值55，再看P90的91、90、100和90。对同一列数据切换算法时，样本数量、单位和排序内容必须保持一致。若结果差很多，先检查是否混入字符串、秒与毫秒，或者筛选条件不同。不要只保留最终图表；让原始列和方法卡跟随图表，别人可以不依赖原来的聊天记录重建这些数字。

缺值政策不能靠默认猜测

失败边界传入空集合并明确拒绝计算。样例也拒绝NaN和无穷值；若实际分析决定忽略缺值，必须同时报告忽略数量，不能把缺值替换成零而不说明。并列值并不需要人工打散，极端值也不应为了让结果好看而随意删除。数据量很小时，一两个观测就会改变尾部统计，所以P90的显示精度并不代表业务估计同样精确。本例只有合成时长，不判断线上服务性能。

需要核对表格软件时，可先手工输入这十个数，分别记录实际函数名称、参数和输出，再把它与方法卡比较。不要先复制一张已经取整的百分位结果表去反推输入，原始观测和汇总结果应分开保存；新增数据后同时更新样本数量。

下载与复现

下载完整样例包，解压到一个新文件夹；也可查看全部文件清单和主脚本。使用Python 3.10或更新版本，在解压目录运行。依赖写在安装清单，建议在自己创建的虚拟环境安装。

python -m pip install -r requirements.txt
python -B run.py
python -B run.py --negative

先查看主要结果，再修改输入重跑；已有输入会保留，结果写回同目录。边界命令可能故意非零退出，也可能输出明确的不适用状态，按正文说明判断，不把所有非零退出都当成安装故障。

依据与延伸阅读

资料核对日期为2026年10月24日。一手资料1：quantile的method影响插值结果；linear使用相邻次序统计量插值。

继续阅读：让 AI 写数据分析脚本：口径没说清，算得再快也是错的；AI 把各组百分比直接求平均，怎样重建有分子分母的总表；AI 画的散点图只剩一团黑，怎样改成能看出密度的六边形分箱图。