一、基础知识与应用
numpy.percentile()函数是numpy库中非常实用的一个百分位数函数。百分位数是一个统计学概念，通俗来说它表示将一群数据按从小到大排列后，以某个比例为界划分开来的点的数值，通常使用中位数、上四分位数、下四分位数等，来反映总体分布的一个特征。
numpy.percentile()中的输入参数包括一个输入数组以及一个指定百分位数的浮点数，输出的结果则是对输入数组中数据按照升序进行排序，然后根据指定的百分位数将其划分为两部分，返回分界线处的数值。
import numpy as np
# 数组
array = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
# 获取50%的分位数
percentile = np.percentile(array, 50)
# 输出结果
print(percentile) # 5.5
在这个例子中，我们使用 numpy.percentile() 来获得输入数组的 50% 的分位数的值。因为输入数组中有偶数个元素，所以分界线（median）在中间两个数之间，所以输出结果为5.5。
二、加权百分位数
nump.percentile()还可以计算加权百分位数。加权百分位数是用于考虑不同数据的权重的情况下计算百分位数的方法。
加权百分位数的计算公式如下：
weighted_percentile = (100 – percentile)/100 * (sum_of_weights – 1) + 1
其中，percentile是需要计算的百分位数，sum_of_weights是所有数据权重的总和。
import numpy as np
# 加权数组
array = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
weights = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
# 获取50%的分位数加权
percentile = np.percentile(array, 50, weights=weights)
# 输出结果
print(percentile) # 5.7
这里，我们使用 numpy.percentile() 来计算加权输入数组的 50% 的分位数的值。在这个示例中，输入数组和权重数组相同，因此权重的总和是这些数字的和。运行代码后，我们得到结果为5.7。
三、numpy.percentile对于异常数据的处理方法
numpy.percentile()函数的另一个重要功能是解决异常数据的问题。当我们处理一个数据集时，可能会存在一些异常的数据值或者缺失值。为了避免这些数据对计算结果造成干扰，我们可以使用 numpy.percentile() 来处理这些异常数据。
import numpy as np
# 数组
array = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
# 用nan替换array中的偶数索引处的数值
array[::2] = np.nan
# 获取50%的分位数
percentile = np.percentile(array, 50, nan_policy='propagate')
# 输出结果
print(percentile) #nan
在这个例子中，我们使用 numpy.percentile() 来获得输入数组去除偶数索引处的数据后的 50% 的分位数的值。nan_policy参数用来指定如何处理NaN值。propagate的意思是保留，即如果出现NaN值，则返回NaN值。
四、numpy.percentile和描述性统计方法配合使用
numpy.percentile()还可以和其他描述性统计方法一起使用，比如平均数（mean）、中位数（median）、方差（variance）等等。这样可以给我们更多的信息来帮助我们分析数据。
import numpy as np
# 数组
array = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
# 获取50%的分位数
percentile = np.percentile(array, 50)
# 获取平均值
mean = np.mean(array)
# 输出结果
print(percentile) # 5.5
print(mean) # 5.5（也是中位数，因为输入数组长度为偶数）
在这个例子中，我们使用 numpy.percentile() 来获得输入数组的 50% 的分位数的值。然后，我们使用 numpy.mean() 方法来计算输入数组的平均值。在这里，输入数组的平均值也是中位数，因为输入数组长度为偶数。运行代码后，我们得到결과：分界线为5.5、平均值为5.5。
原创文章，作者：VAOS，如若转载，请注明出处：https://www.506064.com/n/147039.html
微信扫一扫 
支付宝扫一扫 