NumPy quantum() 函数

NumPy quantile() 函数计算数据沿指定轴的第 q 个分位数(或百分位数)。分位数是指低于该值的部分观测值所占百分比。例如，0.5 分位数(第 50 个百分位数)是数据的中位数，而 0.25 分位数(第 25 个百分位数)是第一个四分位数，0.75 分位数(第 75 个百分位数)是第三个四分位数。

语法

以下是 NumPy quantile() 函数的语法 -

numpy.quantile(a, q, axis=None, out=None, overwrite_input=False, method='linear', keepdims=False, weights=None, interpolation=None)

参数

以下是 NumPy quantile() 函数的参数 -

• a:输入数组，可以是 NumPy 数组、列表或标量值。
• q:要计算的分位数，可以是单个数字，也可以是数字列表/数组。它应在 [0, 1] 范围内(例如，0.25 表示第 25 个百分位数，0.5 表示中位数)。
• axis(可选):计算分位数的轴。默认值为 None，表示将在整个数组上计算分位数。
• out(可选):存储结果的位置。如果提供，则必须与预期输出具有相同的形状。
• overwrite_input(可选):如果为 True，则将就地修改输入数组。默认值为 False。
• weights:如果 weights=None，则假定 a 中的所有数据的权重都等于 1。只有 method=inverted_cdf 支持权重。
• keepdims(可选):如果为 True，则缩小的维度在输出中保留为大小为 1 的维度。默认值为 False。
• interpolation(可选):method 关键字参数的弃用名称。
• method(可选):当所需分位数位于两个数据点之间时使用的插值方法。它可以是以下之一:
• linear(默认):在两个最近的数据点之间执行线性插值。
• lower:返回两个数据点中较低的一个。
• higher:返回两个数据点中较高的一个。
• midpoint:返回两个数据点的中点。
• nearest:返回最近的数据点。

返回值

此函数返回输入数组沿指定轴的第 q 个分位数。根据输入和 q 参数的值，结果是标量还是数组。

示例

以下是使用 NumPy quantile() 函数计算数组第 50 个百分位数(中位数)的基本示例 -

import numpy as np
# 输入数组
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 应用分位数
result = np.quantile(x, 0.5) # 第 50 个百分位数(中位数)
print("分位数结果(第 50 个百分位数):", result)

输出

以下是上述代码的输出−

分位数结果(第 50 个百分位数):5.0

示例:指定不同的分位数

quantile() 函数还可以计算其他分位数，例如第 25 个或第 75 个百分位数。在以下示例中，我们计算了第 25 个和第 75 个百分位数 −

import numpy as np
# 输入数组
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 对 25 和 75 百分位数应用分位数
result = np.quantile(x, [0.25, 0.75])
print("分位数结果(25 和 75 百分位数):", result)

输出

以下是上述代码的输出 -

分位数结果(25 和 75 百分位数):[3. 7.]

示例:多维数组

quantile() 函数用于对多维数组进行操作。在以下示例中，我们创建了一个二维 NumPy 数组，并计算了沿特定轴的第 50 个百分位数(中位数)-

import numpy as np
# 二维数组
x = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 沿轴 0(列)应用分位数
result = np.quantile(x, 0.5, axis=0)
print("沿轴 0(中位数)的分位数结果:", result)

输出

以下是上述代码的输出 -

沿轴 0(中位数)的分位数结果:[4. 5. 6.]

示例:使用不同的插值方法

在下面的示例中，我们使用了不同的插值方法来计算数组的第 50 个百分位数。我们已经演示了线性、较低、较高和中点方法 -

import numpy as np
# 输入数组
x = np.array([1, 3, 5, 7, 9])
# 使用不同方法应用分位数
result_linear = np.quantile(x, 0.5, method='linear')
result_lower = np.quantile(x, 0.5, method='lower')
result_higher = np.quantile(x, 0.5, method='higher')
result_midpoint = np.quantile(x, 0.5, method='midpoint')
print("线性方法:", result_linear)
print("较低方法:", result_lower)
print("更高方法:", result_higher)
print("中点方法:", result_midpoint)

输出

以下是上述代码的输出 -

线性方法:5.0
更低方法:3.0
更高方法:7.0
中点方法:5.0

示例:绘制"quantile()"函数

在下面的示例中，我们绘制了分位数函数针对一系列输入值的行为。我们计算并绘制了 25%、50% 和 75% 的百分位数 -

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 1, 100) # 输入范围
y_25 = np.quantile(x, 0.25)
y_50 = np.quantile(x, 0.5)
y_75 = np.quantile(x, 0.75)
plt.plot(x, np.full_like(x, y_25), label="25% 百分位数")
plt.plot(x, np.full_like(x, y_50), label="50% 百分位数")
plt.plot(x, np.full_like(x, y_75)，label="75%"
plt.title("分位数函数")
plt.xlabel("输入")
plt.ylabel("分位数")
plt.legend()
plt.grid()
plt.show()

输出

该图展示了每个分位数(25%、50%、75%)的常数性质，因为每个分位数的输入值保持不变 -

numpy_statistical_functions.html