【Pandas】pandas Series quantile
Pandas2.2 Series
Computations descriptive stats
| 方法 | 描述 |
|---|---|
| Series.abs() | 用于计算 Series 中每个元素的绝对值 |
| Series.all() | 用于检查 Series 中的所有元素是否都为 True 或非零值（对于数值型数据） |
| Series.any() | 用于检查 Series 中是否至少有一个元素为 True 或非零值（对于数值型数据） |
| Series.autocorr() | 用于计算 Series 的自相关系数 |
| Series.between() | 用于检查 Series 中的每个元素是否在指定的两个值之间（包括边界值） |
| Series.clip() | 用于将 Series 中的元素限制在指定的上下限之间 |
| Series.corr() | 用于计算两个 Series 之间的相关系数 |
| Series.count() | 用于计算 Series 中非 NA/null 值的数量 |
| Series.cov(other[, min_periods, ddof]) | 用于计算两个 Series 之间的协方差 |
| Series.cummax([axis, skipna]) | 用于计算 Series 中元素的累积最大值 |
| Series.cummin([axis, skipna]) | 用于计算 Series 中元素的累积最小值 |
| Series.cumprod([axis, skipna]) | 用于计算 Series 中元素的累积乘积 |
| Series.cumsum([axis, skipna]) | 用于计算 Series 中元素的累积和 |
| Series.describe([percentiles, include, exclude]) | 用于生成 Series 对象的描述性统计信息的方法 |
Series.diff([periods]) |
用于计算 Series 中元素与前一个元素之间差值的方法 |
| Series.factorize([sort, use_na_sentinel]) | 用于将 Series 中的唯一值编码为从 0 开始的整数索引的方法 |
| Series.kurt([axis, skipna, numeric_only]) | 用于计算 Series 中数据的峰度（kurtosis） |
| Series.max([axis, skipna, numeric_only]) | 用于计算 Series 中所有元素的最大值 |
| Series.mean([axis, skipna, numeric_only]) | 用于计算 Series 中所有元素的算术平均值 |
| Series.median([axis, skipna, numeric_only]) | 用于计算 Series 对象中位数的函数 |
| Series.min([axis, skipna, numeric_only]) | 用于计算 Series 对象最小值的函数 |
Series.mode([dropna]) |
用于计算 Series 对象中最常出现的值（众数）的函数 |
| Series.nlargest([n, keep]) | 用于获取 Series 对象中最大的 n 个值的函数 |
| Series.nsmallest([n, keep]) | 用于获取 Series 对象中最小的 n 个值的函数 |
| Series.pct_change([periods, fill_method, …]) | 用于计算 Series 对象中元素与前一个元素之间百分比变化的方法 |
| Series.prod([axis, skipna, numeric_only, …]) | 用于计算 Series 对象中所有元素乘积的函数 |
| Series.quantile([q, interpolation]) | 用于计算 Series 对象的分位数（quantiles）的方法 |
pandas.Series.quantile
pandas.Series.quantile 是 pandas 库中用于计算 Series 对象的分位数（quantiles）的方法。分位数是将数据集分为相等部分的值，例如四分位数、十分位数或百分位数。下面将详细描述该方法及其参数，并给出示例及结果。
函数描述
-
功能：返回 Series 中指定分位数的位置对应的值。
-
参数：
q：浮点数或数组，默认为 0.5（即中位数）。表示要计算的分位数。可以是一个标量值（如 0.5 表示中位数），也可以是一个列表或数组（如 [0.25, 0.5, 0.75] 表示四分位数）。interpolation：字符串，默认为 ‘linear’，表示当所需分位数位于两个数据点之间时如何插值。可选值有：'linear'：线性插值。'lower'：选择较小的数据点。'higher'：选择较大的数据点。'midpoint'：选择两个数据点的平均值。'nearest'：选择最接近的观测值。
-
返回值：如果
q是一个标量，则返回一个标量值；如果q是一个数组，则返回一个包含多个分位数值的 Series。
示例代码及结果
示例 1：基本用法（计算中位数）
import pandas as pd
# 创建一个简单的数值型 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用 quantile 方法计算中位数
median_result = s.quantile()
print(f"中位数结果: {median_result}")
输出结果：
中位数结果: 3.0
在这个例子中，quantile 方法计算了 Series 数据的中位数，结果是 3.0。
示例 2：计算多个分位数
# 使用 quantile 方法计算多个分位数
quantiles_result = s.quantile([0.25, 0.5, 0.75])
print("多个分位数结果:")
print(quantiles_result)
输出结果：
多个分位数结果:
0.25 2.0
0.50 3.0
0.75 4.0
dtype: float64
在这个例子中，quantile 方法计算了 Series 数据的四分位数，结果分别是 2.0（第一四分位数）、3.0（中位数）和 4.0（第三四分位数）。
示例 3：使用不同的插值方法
# 创建一个简单的数值型 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用不同的插值方法计算分位数
quantile_linear = s.quantile(0.25, interpolation='linear')
quantile_lower = s.quantile(0.25, interpolation='lower')
quantile_higher = s.quantile(0.25, interpolation='higher')
quantile_midpoint = s.quantile(0.25, interpolation='midpoint')
quantile_nearest = s.quantile(0.25, interpolation='nearest')
print(f"线性插值结果: {quantile_linear}")
print(f"选择较小的数据点结果: {quantile_lower}")
print(f"选择较大的数据点结果: {quantile_higher}")
print(f"选择两个数据点的平均值结果: {quantile_midpoint}")
print(f"选择最接近的观测值结果: {quantile_nearest}")
输出结果：
线性插值结果: 2.0
选择较小的数据点结果: 2
选择较大的数据点结果: 2
选择两个数据点的平均值结果: 2.0
选择最接近的观测值结果: 2
在这个例子中，quantile 方法使用不同的插值方法计算了 Series 数据的 0.25 分位数。具体来说：
- 线性插值 (
'linear') 结果为 2.0。 - 选择较小的数据点 (
'lower') 结果为 2.0。 - 选择较大的数据点 (
'higher') 结果为 3.0。 - 选择两个数据点的平均值 (
'midpoint') 结果为 2.5。 - 选择最接近的观测值 (
'nearest') 结果为 2.0。
示例 5：处理非数值类型的数据
quantile 方法主要适用于数值型数据。如果 Series 包含非数值类型的数据，则会抛出异常。
# 创建一个包含混合类型的 Series
s_mixed = pd.Series([1, 'a', 3, 4, 5], dtype=object)
# 尝试计算分位数
try:
quantile_mixed = s_mixed.quantile()
print(f"分位数结果: {quantile_mixed}")
except TypeError as e:
print(f"错误信息: {e}")
输出结果：
错误信息: '<' not supported between instances of 'str' and 'int'
在这个例子中，由于 Series 包含非数值类型的元素（如字符串 'a'），quantile 方法无法执行计算，因此抛出了 TypeError 异常。
示例 6：使用自定义分位数
# 创建一个简单的数值型 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用 quantile 方法计算自定义分位数
custom_quantiles = s.quantile([0.1, 0.9])
print("自定义分位数结果:")
print(custom_quantiles)
输出结果：
自定义分位数结果:
0.1 1.4
0.9 4.6
dtype: float64
在这个例子中，quantile 方法计算了 Series 数据的 0.1 和 0.9 分位数，结果分别是 1.4 和 4.6。
总结
pandas.Series.quantile方法用于计算 Series 中指定分位数的位置对应的值。q参数指定要计算的分位数，默认为 0.5（即中位数），可以是一个标量值或一个列表/数组。interpolation参数控制当所需分位数位于两个数据点之间时如何插值，默认为'linear'。skipna参数（虽然未在函数签名中显示，但它是可用的）控制是否跳过缺失值，默认为 True。quantile方法主要适用于数值型数据，对于非数值类型的数据会抛出异常。
通过这些示例可以看到，quantile 方法能够有效地计算不同类型的分位数，并提供多种插值方法以适应不同的需求。这在统计分析和数据探索中非常有用，可以帮助我们更好地理解数据的分布情况。