feat(data): detect_outliers 收尾（文本列恒 False）+ 补测试与文档

实现（用户本人写 + Codex 轻度收尾）：
- 统计量（quantile / mean / std）与掩码写入都收窄到数值列，含文本列的赛题表不再崩
- 非数值列在掩码里恒 False（用户定的语义），docstring Notes 补上这条
- 删掉死代码 data=data.copy()：下面的 to_frame()/pd.DataFrame() 本就返回新对象，
  函数全程只读 data，白复制一份；且它排在类型分派之前，会把错误入参的报错
  从 ValueError 变成 AttributeError
- 删掉那行死代码后 pyright 反而暴露 1 个真错：df[Index] 被类型存根当成 Series，
  .std() 于是被判成标量、std.replace(...) 非法。在取列子表处 cast 成 DataFrame
  按运行时真值收窄（详见 docs/04-environment.md 坑 8）

测试：
- test_detect_outliers_survives_text_columns 摘掉 xfail 并加强断言（文本列必须恒 False）
- 新增 test_detect_outliers_all_text_frame_returns_all_false，钉住"整表无数值列"边界
- 58 passed / 2 xfailed  ->  60 passed / 1 xfailed；ruff 0；pyright 0
- 仅剩 1 条 xfail：impute_missing 的 mode 分支就地改调用方的表（要选语义，留给用户）

文档：
- STATUS.md：L0 5/12、验证结果表、下一步重写、新增决策 32（非数值列恒 False）
- docs/04-environment.md：新增坑 8（pandas 存根让 df[Index] 退化成 Series，及三种无效修法）
- docs/dev/personal-pitfalls.md：只追加第 8 条（限制掩码 ≠ 限制统计量）
- CHANGELOG.md：本轮变更

src/mcm_toolkit/data/clean.py

@@ -8,7 +8,7 @@
 from __future__ import annotations
 
 import math
-from typing import Any, Literal
+from typing import Any, Literal, cast
 
 import numpy as np
 import pandas as pd
@@ -147,6 +147,9 @@ def detect_outliers(data: Any, method: Literal["iqr", "zscore"] = "iqr", **kwarg
     **只标不删**是刻意的：删点是有代价的判断，必须由人来做，
     并且要在论文里写清楚删了几个、依据是什么。
 
+    非数值列**不参与统计**，掩码里恒为 `False`：均值和分位数对文本没有意义，
+    但"这一列没有离群点"比"整张表算不出来"有用得多。
+
     Examples
     --------
     >>> mask = detect_outliers([1, 2, 3, 4, 100], method="iqr")
@@ -168,22 +171,29 @@ def detect_outliers(data: Any, method: Literal["iqr", "zscore"] = "iqr", **kwarg
     else:
         raise ValueError(f"不支持的方法:{method},仅支持'iqr'或'zscore'")
 
+    numeric_cols = data.select_dtypes(include=['number']).columns
+    mask = pd.DataFrame(False,index=data.index,columns=data.columns)
+    # 取列子表得到的一定是 DataFrame，但 pandas 的类型存根只声明了「Hashable -> Series」，
+    # pyright 于是把 numeric 当成 Series，再把 `.std()` 的返回当成标量、判 `.replace` 非法。
+    # 这里按运行时的真值显式收窄，让下面几行继续参与类型检查。
+    numeric = cast(pd.DataFrame, data[numeric_cols])
+
     if method == 'iqr':
-        Q1 = data.quantile(0.25)
-        Q3 = data.quantile(0.75)
+        Q1 = numeric.quantile(0.25)
+        Q3 = numeric.quantile(0.75)
         IQR = Q3 - Q1
         lower_bound = Q1 - k * IQR
         upper_bound = Q3 + k * IQR
 
-        mask = (data < lower_bound) | (data > upper_bound)
+        mask[numeric_cols] = (numeric < lower_bound) | (numeric > upper_bound)
 
     elif method == 'zscore':
-        mean = data.mean()
-        std = data.std()
+        mean = numeric.mean()
+        std = numeric.std()
 
         std = std.replace(0, np.nan)
-        z_scores = (data - mean) / std
-        mask = z_scores.abs() > threshold
+        z_scores = (numeric - mean) / std
+        mask[numeric_cols] = z_scores.abs() > threshold
 
     if is_series:
         return mask.iloc[:,0]