np.percentile 和df.quantile 分位数
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 '''