pandas.DataFrame.quantile #

数据框。分位数( q = 0.5 , axis = 0 , numeric_only = False ,插值= '线性' , method = 'single' ) [来源] #

返回请求轴上给定分位数的值。

参数：

q浮点数或类数组，默认 0.5（50% 分位数）

0 <= q <= 1 之间的值，即要计算的分位数。

轴{0 或 'index', 1 或 'columns'}, 默认 0

等于 0 或“索引”（按行），1 或“列”（按列）。

numeric_only布尔值，默认 False

仅包含float、int或boolean数据。

版本 2.0.0 中更改：默认值为numeric_onlynow False。

插值{'线性', '较低', '较高', '中点', '最近'}

此可选参数指定当所需分位数位于两个数据点i和j之间时要使用的插值方法：

线性：i + (j - i) *fraction，其中fraction是由i和j包围的索引的小数部分。
下：我。
较高：j .
最近的：i或j，以最接近的为准。
中点：( i + j ) / 2。

方法{'single', 'table'}, 默认 'single'

是否计算每列（“单”）或所有列（“表”）的分位数。当“table”时，唯一允许的插值方法是“nearest”、“lower”和“higher”。

返回：

系列或数据框

如果q是一个数组，将返回一个 DataFrame，其中: 索引是q，列是 self 的列，值是分位数。
如果q是浮点数，则将返回一个系列，其中: 索引是 self 的列，值是分位数。

也可以看看

core.window.rolling.Rolling.quantile: 滚动分位数。
numpy.percentile: 用于计算百分位数的 Numpy 函数。

例子

>>> 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

指定method='table'将计算所有列的分位数。

>>> df.quantile(.1, method="table", interpolation="nearest")
a    1
b    1
Name: 0.1, dtype: int64
>>> df.quantile([.1, .5], method="table", interpolation="nearest")
     a    b
0.1  1    1
0.5  3  100

指定numeric_only=False还将计算 datetime 和 timedelta 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                    1.5
B    2010-07-02 12:00:00
C        1 days 12:00:00
Name: 0.5, dtype: object