numpy.percentile#

numpy.percentile(a, q, axis=None, out=None, overwrite_input=False, method='linear', keepdims=False, *, weights=None, interpolation=None)[源代码]#

计算沿指定轴的数据的第 q 百分位数.

返回数组元素的第 q 个百分位数.

参数:

a类似数组的实数

可以转换为数组的输入数组或对象.

q类似数组的浮点数

要计算的百分位数或百分位数序列.值必须在0到100之间（包括0和100）.

axis{int, tuple of int, None}, 可选

计算百分位数的轴或轴.默认是计算数组扁平化版本的百分位数.

在 1.9.0 版本发生变更: 支持轴的元组

outndarray, 可选

要在其中放置结果的替代输出数组.它必须具有与预期输出相同的形状和缓冲区长度,但如果需要,输出类型将被强制转换.

overwrite_inputbool, 可选

如果为真,则允许输入数组 a 被中间计算修改,以节省内存.在这种情况下,此函数完成后输入 a 的内容是未定义的.

methodstr, 可选

此参数指定用于估计百分位数的方法.有许多不同的方法,其中一些是NumPy特有的.请参阅注释以获取解释.按其在H&F论文[R08bde0ebf37b-1]_中总结的R类型排序的选项有:

‘inverted_cdf’
‘averaged_inverted_cdf’
‘closest_observation’
‘插值反向累积分布函数’
‘hazen’
‘weibull’
‘linear’ （默认）
‘中位数无偏’
‘normal_unbiased’

前三种方法是间断的.NumPy 进一步定义了以下默认 ‘linear’ (7.) 选项的间断变体:

‘lower’
‘更高’,
‘中点’
‘nearest’

在 1.22.0 版本发生变更: 这个参数之前被称为”插值”,并且只提供”线性”默认和最后四个选项.

keepdimsbool, 可选

如果设置为 True,被减少的轴将作为尺寸为1的维度保留在结果中.使用此选项,结果将正确地与原始数组 a 广播.

在 1.9.0 版本加入.

weightsarray_like, 可选: a 中值相关的一组权重.`a` 中的每个值根据其相关权重对百分位数做出贡献.权重数组可以是 1-D（在这种情况下,其长度必须与 a 沿给定轴的大小相同）或与 a 的形状相同.如果 weights=None,则假定 a 中的所有数据权重均为一.只有 method=”inverted_cdf” 支持权重.详见注释.

在 2.0.0 版本加入.

interpolationstr, 可选

该方法关键字参数的弃用名称.

自 1.22.0 版本弃用.

返回:

percentile标量或ndarray: 如果 q 是一个单一的百分位数且 axis=None,则结果是一个标量.如果给出了多个百分位数,结果的第一个轴对应于这些百分位数.其他的轴是 a 在减少后剩余的轴.如果输入包含小于 float64 的整数或浮点数,则输出数据类型是 float64.否则,输出数据类型与输入相同.如果指定了 out,则返回该数组.

参见

mean
median: 等同于 percentile(..., 50)
nanpercentile
quantile: 相当于百分位数,除了 q 在范围 [0, 1] 内.

备注

numpy.percentile 在百分比 q 下的行为等同于 numpy.quantile 在参数 q/100 下的行为.更多信息请参见 numpy.quantile.

参考文献

[1]

R. J. Hyndman and Y. Fan, “Sample quantiles in statistical packages,” The American Statistician, 50(4), pp. 361-365, 1996

示例

>>> import numpy as np
>>> a = np.array([[10, 7, 4], [3, 2, 1]])
>>> a
array([[10,  7,  4],
       [ 3,  2,  1]])
>>> np.percentile(a, 50)
3.5
>>> np.percentile(a, 50, axis=0)
array([6.5, 4.5, 2.5])
>>> np.percentile(a, 50, axis=1)
array([7.,  2.])
>>> np.percentile(a, 50, axis=1, keepdims=True)
array([[7.],
       [2.]])

>>> m = np.percentile(a, 50, axis=0)
>>> out = np.zeros_like(m)
>>> np.percentile(a, 50, axis=0, out=out)
array([6.5, 4.5, 2.5])
>>> m
array([6.5, 4.5, 2.5])

>>> b = a.copy()
>>> np.percentile(b, 50, axis=1, overwrite_input=True)
array([7.,  2.])
>>> assert not np.all(a == b)

不同的方法可以图形化地显示:

import matplotlib.pyplot as plt

a = np.arange(4)
p = np.linspace(0, 100, 6001)
ax = plt.gca()
lines = [
    ('linear', '-', 'C0'),
    ('inverted_cdf', ':', 'C1'),
    # Almost the same as `inverted_cdf`:
    ('averaged_inverted_cdf', '-.', 'C1'),
    ('closest_observation', ':', 'C2'),
    ('interpolated_inverted_cdf', '--', 'C1'),
    ('hazen', '--', 'C3'),
    ('weibull', '-.', 'C4'),
    ('median_unbiased', '--', 'C5'),
    ('normal_unbiased', '-.', 'C6'),
    ]
for method, style, color in lines:
    ax.plot(
        p, np.percentile(a, p, method=method),
        label=method, linestyle=style, color=color)
ax.set(
    title='Percentiles for different methods and data: ' + str(a),
    xlabel='Percentile',
    ylabel='Estimated percentile value',
    yticks=a)
ax.legend(bbox_to_anchor=(1.03, 1))
plt.tight_layout()
plt.show()