服务器将每个监测参数5分钟内的采样数据采用正态分布算法（取90%）

正态分布算法通常用于评估数据集是否接近正态分布，但这与您提到的"服务器将每个监测参数5分钟内的采样数据采用正态分布算法(取90%) "可能不是一个直接的操作过程。通常情况下，我们不会直接用正态分布来分析实时数据，而是可能会：

1. **收集数据**：首先，从服务器获取5分钟内每个监测参数的采样数据。

# 假设data是存储采样的DataFrame
data = fetch_monitoring_data(period=5 * 60)

2. **数据清洗**：确保数据质量，如去除缺失值或异常值。

data = data.dropna()

3. **数据转换**：如果数据非正态分布，可能需要对其进行转换，比如通过log变换使数据更符合正态分布。

from scipy.stats import norm

data['transformed'] = np.log(data['parameter'])

4. **正态性检验**：使用库（如scipy的`shapiro`或`normaltest`）测试数据是否接近正态分布。

from scipy.stats import shapiro

statistic, p_value = shapiro(data['transformed'])
print(f"Distribution test statistic: {statistic}, p-value: {p_value}")

如果`p_value > 0.05`，我们可以认为数据接近正态分布（通常阈值设定为0.05），但实际应用中，这只是一个初步判断，可能还需要结合业务背景和其他统计方法。

5. **基于90%的数据**：如果目的是确定90%的数据范围，可以使用四分位数范围（IQR）或其他方法，而不是直接依赖正态分布。

Q1 = data['transformed'].quantile(0.25)
Q3 = data['transformed'].quantile(0.75)
IQR = Q3 - Q1

lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR