Python pandas.DataFrame.quantile函数方法的使用

Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.quantile方法的使用。

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

返回在请求轴上的给定的quantile值。

参数：

q : float 或 array-like, 默认 0.5 (50% quantile)

要计算的quantile值在 0 <= q <= 1之间。

axis : {0, 1, ‘index’, ‘columns’} (默认为 0)

行为0或' index '，列为1或'columns'。

numeric_only : bool，默认值True

如果为False，也将计算datetime和timedelta数据的quantile。

interpolation : {‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’}

这个可选参数指定了当所需quantile位于两个数据点i和j之间时要使用的插值方法:

1) linear: i + (j - i) *fraction，其中分数是指数中被i和j包围的小数部分。

2) lower: i

3) higher: j

4) nearest: i或j，以最接近的为准。

5) midpoint: (i + j) / 2

返回值：

Series 或 DataFrame

如果q是数组，则将返回DataFrame，其中

index是q，列是self的列，值是quantiles。

如果q为float，则在

index是self的列，值是quantiles。

例子

>>> df = pd.DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),...                   columns=['a', 'b'])>>> df.quantile(.1)a    1.3b    3.7Name: 0.1, dtype: float64>>> df.quantile([.1, .5])       a     b0.1  1.3   3.70.5  2.5  55.0

指定numeric_only = False还将计算日期时间和时间增量数据的分位数

>>> df = pd.DataFrame({'A': [1, 2],...                    'B': [pd.Timestamp('2010'),...                          pd.Timestamp('2011')],...                    'C': [pd.Timedelta('1 days'),...                          pd.Timedelta('2 days')]})>>> df.quantile(0.5, numeric_only=False)A                    1.5B    2010-07-02 12:00:00C        1 days 12:00:00Name: 0.5, dtype: object