Python实战:模型延迟分布统计与可视化分析(均值/中位数/分位数全覆盖)

python                  # 1. 导入所需库                  import numpy as np                  import pandas as pd                  import matplotlib.pyplot as plt                  import seaborn as sns                  # 设置随机种子，保证结果可复现                  np.random.seed(42)                  # 2. 模拟两个模型的延迟数据（单位：毫秒）                  # 模型 A：延迟较低，波动较小（正态分布，模拟稳定轻量模型）                  latency_a = np.random.normal(loc=50, scale=5, size=200)# 均值 50ms，标准差 5ms                  # 模型 B：延迟较高，波动较大，且存在右偏（对数正态分布，模拟长尾延迟）                  latency_b = np.random.lognormal(mean=4.0, sigma=0.6, size=200)                  # 将数据整理为 DataFrame，方便分组统计                  df = pd.DataFrame({                  'model': ['A'] * 200 + ['B'] * 200,                  'latency_ms': np.concatenate([latency_a, latency_b])                  })                  # 3. 核心统计：按模型分组计算全维度指标                  stats = df.groupby('model')['latency_ms'].agg([                  ('mean', 'mean'),# 均值                  ('median', 'median'),# 中位数                  ('std', 'std'),# 标准差                  ('q25', lambda x: x.quantile(0.25)),# 25%分位数                  ('q50', lambda x: x.quantile(0.50)),# 50%分位数（同中位数）                  ('q75', lambda x: x.quantile(0.75)),# 75%分位数                  ('q90', lambda x: x.quantile(0.90)),# 90%分位数                  ('q99', lambda x: x.quantile(0.99))# 99%分位数                  ]).round(2)                  # 打印汇总统计结果                  print("========== 不同模型的延迟描述统计 ==========")                  print(stats)                  # 4. 可视化：双图联动，全方位展示延迟分布                  fig, axes = plt.subplots(1, 2, figsize=(12, 5))                  # 子图1：直方图+核密度估计，看整体分布形态                  sns.histplot(data=df, x='latency_ms', hue='model', kde=True, alpha=0.5, ax=axes[0])                  axes[0].set_title('延迟分布直方图 & KDE')                  axes[0].set_xlabel('延迟 (ms)')                  axes[0].set_ylabel('频数')                  # 子图2：箱线图，看四分位数、异常值、数据离散度                  sns.boxplot(data=df, x='model', y='latency_ms', ax=axes[1])                  axes[1].set_title('延迟箱线图')                  axes[1].set_ylabel('延迟 (ms)')                  plt.tight_layout()                  plt.show()                  # 5. 精细化分位数打印，适配报表输出                  print("\n========== 分位数详细值 ==========")                  for model in ['A', 'B']:                  data = df[df['model'] == model]['latency_ms']                  print(f"\n模型 {model}:")                  print(f"均值: {np.mean(data):.2f} ms")                  print(f"中位数: {np.median(data):.2f} ms")                  print(f"标准差: {np.std(data):.2f} ms")                  print(f"25% 分位数: {np.percentile(data, 25):.2f} ms")                  print(f"75% 分位数: {np.percentile(data, 75):.2f} ms")                  print(f"90% 分位数: {np.percentile(data, 90):.2f} ms")                  print(f"99% 分位数: {np.percentile(data, 99):.2f} ms")

plain                  ========== 不同模型的延迟描述统计 ==========                  meanmedianstdq25q50q75q90q99                  modelA49.8449.975.1046.7549.9753.0356.0762.38                  B67.3254.0043.2138.0354.0078.24 121.20 229.65

python                  latency_a = np.random.normal(loc=50, scale=5, size=200)                  latency_b = np.random.lognormal(mean=4.0, sigma=0.6, size=200)

python                  # 读取本地业务延迟数据                  raw_df = pd.read_csv("model_latency.csv")                  latency_a = raw_df["模型A延迟列"].values                  latency_b = raw_df["模型B延迟列"].values