python – 如何获得pandas数据帧中行的百分位数？

[weixin_38054276]

Example DataFrame Values - 0 78 1 38 2 42 3 48 4 31 5 89 6 94 7 102 8 122 9 122 stats.percentileofscore(temp['INCOME'].values, 38, kind='mean') 15.0 stats.percentileofscore(temp['INCOME'].values, 38, kind='strict') 10.0 stats.percentileofscore(temp['INCOME'].values, 38, kind='weak') 20.0 stats.percentileofscore(temp['INCOME'].values, 38, kind='rank') 20.0 temp['INCOME'].rank(pct=True) 1 0.20 (Only showing the 38 value index) temp['INCOME'].quantile(0.11) 37.93 temp['INCOME'].quantile(0.12) 38.31999999999999 Based on the results above, you can see none of the methods are consistent with the pd.quantiles() method. 我需要为数据帧中的每一行(255M行)获取一列的百分位数,但找不到任何返回他们在pd.quantile&中使用的‘linear interpolation’方法的函数/方法. np.percentile. 我尝试了以下方法/功能 – .rank(pct=True) 此方法仅返回按顺序排列的值,而不是使用我正在寻找的百分位方法.与pd.quantiles不一致 scipy.stats.percentileofscore 这种方法几乎与我正在寻找的方法更接近,但由于某种原因仍与100％的“线性插值”方法不一致. Related question to this problem with no real answer 我查看了与此问题相关的每个SO答案,但没有一个使用我需要使用的相同插值方法,所以请不要将其标记为重复,除非您可以验证它们使用相同的方法. 在这一点上,我的最后一个选择是找到所有100百分位数的bin截止值并以这种方式应用它或者自己计算线性插值但这看起来非常低效并且将永远适用于255M记录. 还有其他建议吗？ 谢谢！

[weixin_38061328]

TL; DR 使用 sz = temp['INCOME'].size-1 temp['PCNT_LIN'] = temp['INCOME'].rank(method='max').apply(lambda x: 100.0*(x-1)/sz) INCOME PCNT_LIN 0 78 44.444444 1 38 11.111111 2 42 22.222222 3 48 33.333333 4 31 0.000000 5 89 55.555556 6 94 66.666667 7 102 77.777778 8 122 100.000000 9 122 100.000000 回答 一旦你了解了机制,它实际上非常简单.当您在寻找分数的百分位数时,您已经在每一行中获得了分数.剩下的唯一步骤是了解您需要的数字百分位数小于或等于所选值.这正是DataFrame.rank()的scipy.stats.percentileofscore()和method =’average’的参数kind =’weak’.为了反转它,使用interpolation =’lower’运行Series.quantile(). 因此,scipy.stats.percentileofscore(),Series.rank()和Series.quantile()的行为是一致的,如下所示： In[]: temp = pd.DataFrame([ 78, 38, 42, 48, 31, 89, 94, 102, 122, 122], columns=['INCOME']) temp['PCNT_RANK']=temp['INCOME'].rank(method='max', pct=True) temp['POF'] = temp['INCOME'].apply(lambda x: scipy.stats.percentileofscore(temp['INCOME'], x, kind='weak')) temp['QUANTILE_VALUE'] = temp['PCNT_RANK'].apply(lambda x: temp['INCOME'].quantile(x, 'lower')) temp['RANK']=temp['INCOME'].rank(method='max') sz = temp['RANK'].size - 1 temp['PCNT_LIN'] = temp['RANK'].apply(lambda x: (x-1)/sz) temp['CHK'] = temp['PCNT_LIN'].apply(lambda x: temp['INCOME'].quantile(x)) temp Out[]: INCOME PCNT_RANK POF QUANTILE_VALUE RANK PCNT_LIN CHK 0 78 0.5 50.0 78 5.0 0.444444 78.0 1 38 0.2 20.0 38 2.0 0.111111 38.0 2 42 0.3 30.0 42 3.0 0.222222 42.0 3 48 0.4 40.0 48 4.0 0.333333 48.0 4 31 0.1 10.0 31 1.0 0.000000 31.0 5 89 0.6 60.0 89 6.0 0.555556 89.0 6 94 0.7 70.0 94 7.0 0.666667 94.0 7 102 0.8 80.0 102 8.0 0.777778 102.0 8 122 1.0 100.0 122 10.0 1.000000 122.0 9 122 1.0 100.0 122 10.0 1.000000 122.0 现在,在PCNT_RANK列中,您获得的值的比率小于或等于INCOME列中的值.但是如果你想要“插值”比率,它就在PCNT_LIN列中.当你使用Series.rank()进行计算时,它非常快,并且会在几秒钟内处理你的255M数字. 在这里,我将解释如何使用带有线性插值的quantile()获得值： temp['INCOME'].quantile(0.11) 37.93 我们的数据temp [‘INCOME’]只有十个值.根据你的link to Wiki的公式,第11百分位的排名是 rank = 11*(10-1)/100 + 1 = 1.99 等级的截断部分是1,其对应于值31,并且具有等级2(即,下一个仓)的值是38.分数的值是等级的小数部分.这导致了结果： 31 + (38-31)*(0.99) = 37.93 对于值本身,分数部分必须为零,因此很容易进行逆计算以获得百分位数： p = (rank - 1)*100/(10 - 1) 我希望我说得更清楚.