回答 #

这是因为Pandas的kurtosis()方法默认返回的是超额峰度（excess kurtosis），而你手动计算的是原始峰度（又称普通峰度），两者的核心差异就是一个固定的偏移值：

超额峰度 = 原始峰度 - 3

你可以直接验证这个关系：把你手动计算的原始峰度值2.99085...减去3，得到的结果-0.009145...和Pandas返回的-0.006755...非常接近——微小差异来自随机样本的波动，当样本量足够大时，这个差值会趋近于一致。

为什么要做这个减3的处理？这是因为正态分布的原始峰度恰好等于3，减去3之后，正态分布的超额峰度就变为0，这样我们可以更直观地判断数据的峰态：

• 超额峰度 > 0：数据分布比正态分布更陡峭（尖峰分布）
• 超额峰度 = 0：数据分布的峰态和正态分布一致
• 超额峰度 < 0：数据分布比正态分布更平缓（平峰分布）

如果想要用Pandas得到和你手动计算一致的原始峰度，只需要把kurtosis()的结果加上3即可：

# 计算原始峰度
raw_kurtosis = test_series.kurtosis() + 3

另外补充一点：Pandas的kurtosis()还支持bias参数，用来控制是否使用有偏估计。当bias=True（默认值）时使用有偏的样本矩计算，bias=False时使用无偏估计，但无论哪种模式，返回的都是超额峰度，只是估计的准确性不同。

内容的提问来源于stack exchange，提问作者user40780