同一批数据只把 method 从默认 exclusive 换成 inclusive，分位点就可能变化。原因不是数据被改动，而是两种方法对总体最小值和最大值的假设不同，排序后各点对应的百分位位置也不同。exclusive 用于总体中可能还有比样本更极端值的抽样数据，第 i 个排序点下方比例按i/(m+1)计算；inclusive 用于总体数据，或样本已含总体极端值的情形，把最小值当第 0 百分位、最大值当第 100 百分位，比例在m大于1时按(i-1)/(m-1)计算。切点还要由相邻值线性插值，因此同一批数据换方法后切点可能不同。
适用：乐山特别是市中区，在台式电脑上使用 Python 3.14 标准库 statistics.quantiles，对同一批数值只切换 exclusive 与 inclusive 的情况。这里讲的是 Python 标准库行为，不应写成 Windows 系统接口；其他解释器版本、第三方库或自写算法要另行核对。
观察：以只读方式确认数据是一般抽样、总体数据，还是已包含总体极端值的样本；记录数据个数 m、区间数 n、method 和解释器版本，保留原调用。保持数据、n、版本不变，对比两种方法的返回切点，按位置规则和线性插值解释差异。若只有 method 不同而切点变化，应归因于端点假设和位置计算；若数据、n 或版本也变了，不能把差异全算到 method 上。n 为 4 是四分位，为 10 是十分位，为 100 是百分位，返回 n 减 1 个切点，为获得有意义的估计，通常应有比区间数更多的样本；这不是所有少样本都会报错的硬门槛。3.13起单点输入不再因此异常，但能返回结果仍不证明样本足以描述总体。
风险：把两种方法的差异说成数据损坏、采集错误，或宣称某组结果更准确，都不合适。它们代表不同端点假设，不是质量排名；分位点本身是估计值，受插值影响，样本量偏小、n 不当或版本不一致时更容易误读。未确认总体极端值前，不应为得到“好看”的数值自动挑方法。
下一步：准备去敏材料，包括数据来源和口径、脱敏数值或排序结果、m 与 n、实际 method、Python 版本、原调用片段、完整输出日志和预期结果；不要发送客户隐私、生产密码或可识别个人信息。若需在乐山本地台式电脑环境进一步核对，可拨 400-877-9605 咨询电脑快修网；该号码只作咨询，平台是信息展示与第三方维修对接，实际范围和安排需确认。