Python中np.percentile和df.quantile分位数详解

np.percentile

numpy.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=False)

参数：

• a : array，用来算分位数的对象，可以是多维的数组
• q : array_like of float，介于0-100的float，用来计算是几分位的参数，如四分之一位就是25，如要算两个位置的数就(25,75)
• axis : 坐标轴的方向，一维的就不用考虑了，多维的就用这个调整计算的维度方向，取值范围0/1，默认值为沿着数组的展平版本计算百分位数
• out : 输出数据的存放对象，参数要与预期输出有相同的形状和缓冲区长度
• overwrite_input : bool，默认False，为True时及计算直接在数组内存计算，计算后原数组无法保存
• interpolation : 取值范围{'linear', 'lower', 'higher', 'midpoint', 'nearest'}
• 默认liner，比如取中位数，但是中位数有两个数字6和7，选不同参数来调整输出
• keepdims : bool,默认False,为真时取中位数的那个轴将保留在结果中

a = np.array([[10, 7, 4], [3, 2, 1]])
a
'''
array([[10,  7,  4],
       [ 3,  2,  1]])
'''
np.percentile(a, 50)
#3.5
np.percentile(a, 50, axis=0)
#array([[ 6.5,  4.5,  2.5]])
np.percentile(a, 50, axis=1)
#array([ 7.,  2.])
np.percentile(a, 50, axis=1, keepdims=True)
'''
array([[ 7.],
       [ 2.]])
'''

pandas.DataFrame.quantile

DataFrame.quantile(q=0.5, axis=0, numeric_only=True, interpolation='linear')

参数：

• q：float or array-like, default 0.5 (50% quantile)，0 <= q <= 1之间的值，即要计算的分位数
• axis：{0, 1, ‘index’, ‘columns’}, default 0，对于行，等于0或“索引”，对于列，等于1或“列”
• numeric_only：bool, default True，如果为False，则还将计算日期时间和时间增量数据的分位数
• interpolation：{‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’}，当所需分位数位于两个数据点i和j之间时，此可选参数指定要使用的插值方法

返回

Series or DataFrame

• 如果q是数组，则将返回DataFrame，其中index为q，列为self的列，值为分位数。
• 如果q为float，则在index是self的列，值是分位数

df = pd.DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),
                  columns=['a', 'b'])

df.quantile(.1)
'''
a    1.3
b    3.7
Name: 0.1, dtype: float64
'''
df.quantile([.1, .5])
'''
       a     b
0.1  1.3   3.7
0.5  2.5  55.0
'''

总结 

到此这篇关于python中np.percentile和df.quantile分位数详解的文章就介绍到这了,更多相关np.percentile和df.quantile分位数内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！