python 分位数函数

在Python中，分位数函数是一种用于描述数据分布情况的统计方法，分位数将数据集划分为几个具有相等频率的区间，每个区间的数据量占总数据量的一定比例，常见的分位数有四分位数（Quartiles）和百分位数（Percentiles）。

（图片来源网络，侵删）

本文将详细介绍如何在Python中使用分位数函数，包括四分位数和百分位数的计算方法和应用场景。

四分位数（Quartiles）

四分位数将数据集划分为四个等频区间，分别是第一四分位数（Q1，25%分位数）、第二四分位数（Q2，50%分位数，即中位数）、第三四分位数（Q3，75%分位数），四分位数可以反映数据的集中趋势和离散程度，常用于箱线图的绘制。

在Python中，可以使用numpy库或pandas库来计算四分位数。

1、使用numpy库计算四分位数：

import numpy as np
data = [1, 2, 3, 4, 5, 6, 7, 8, 9]
q1 = np.percentile(data, 25)
q2 = np.percentile(data, 50)
q3 = np.percentile(data, 75)
print("第一四分位数：", q1)
print("第二四分位数：", q2)
print("第三四分位数：", q3)

2、使用pandas库计算四分位数：

import pandas as pd
data = [1, 2, 3, 4, 5, 6, 7, 8, 9]
df = pd.DataFrame(data, columns=["value"])
q1 = df["value"].quantile(0.25)
q2 = df["value"].quantile(0.5)
q3 = df["value"].quantile(0.75)
print("第一四分位数：", q1)
print("第二四分位数：", q2)
print("第三四分位数：", q3)

百分位数（Percentiles）

百分位数将数据集划分为100个等频区间，每个区间的数据量占总数据量的1%，百分位数可以更细致地描述数据的分布情况，常用于异常值检测等场景。

在Python中，同样可以使用numpy库或pandas库来计算百分位数。

1、使用numpy库计算百分位数：

import numpy as np
data = [1, 2, 3, 4, 5, 6, 7, 8, 9]
percentile_25 = np.percentile(data, 25)
percentile_50 = np.percentile(data, 50)
percentile_75 = np.percentile(data, 75)
percentile_90 = np.percentile(data, 90)
print("25%分位数：", percentile_25)
print("50%分位数：", percentile_50)
print("75%分位数：", percentile_75)
print("90%分位数：", percentile_90)

2、使用pandas库计算百分位数：

import pandas as pd
data = [1, 2, 3, 4, 5, 6, 7, 8, 9]
df = pd.DataFrame(data, columns=["value"])
percentile_25 = df["value"].quantile(0.25)
percentile_50 = df["value"].quantile(0.5)
percentile_75 = df["value"].quantile(0.75)
percentile_90 = df["value"].quantile(0.9)
print("25%分位数：", percentile_25)
print("50%分位数：", percentile_50)
print("75%分位数：", percentile_75)
print("90%分位数：", percentile_90)

本文介绍了Python中分位数函数的概念、计算方法和应用场景，通过numpy库和pandas库，可以轻松地计算四分位数和百分位数，帮助我们更好地了解数据的分布情况，在实际工作中，可以根据需求选择合适的库和方法来计算分位数。