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aitechtogether.com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aitechtogether.com！
