四分位數與pandas中的quantile函式

統計學上的有分位數這個概念，一般用p來表示。原則上p是可以取0到1之間的任意值的。但是有乙個四分位數是p分位數中較為有名的。

所謂四分位數；即把數值由小到大排列並分成四等份，處於三個分割點位置的數值就是四分位數。

為了更一般化，在計算的過程中，我們考慮p分位。當p=0.25 0.5 0.75 時，就是在計算四分位數。pandas庫quantile函式可以很方便的幫助我們進行分位數的計算。

dataframe.quantile(q=0.5, axis=0, numeric_only=true, interpolation=』linear』)

常用引數：

q : 數字或者是類列表，範圍只能在0-1之間，預設是0.5，即中位數-第2四分位數

axis :計算方向，可以是 中之一，預設為 0

interpolation（插值方法）:可以是 之一，預設是linear。

這五個插值方法是這樣的：當選中的分為點位於兩個數資料點 i and j 之間時:

import pandas as pd

df=pd.read_csv(
'data/練習.csv'
)df.sort_values(
"height"
)

idheight

0110123

120142

110351

110274

120385

1205

12

df[

'height'
].quantile(
)

6.0

df[

'height'
].quantile(q=
0.5,interpolation=
"linear"
)

6.0

df[

'height'
].quantile(q=
0.5,interpolation=
"lower"
)

5

df[

'height'
].quantile(q=
0.5,interpolation=
"higher"
)

7

df[

'height'
].quantile(q=
0.5,interpolation=
"midpoint"
)

6.0

df[

'height'
].quantile(q=
0.5,interpolation=
"nearest"
)

5

df[

'height'
].quantile(
[0.25
,0.5
,0.75
])

0.25    4.25

0.50 6.00
0.75 7.75
name: height, dtype: float64

四分位數求法

四分位數間距 是上四分位數與下四分位數之差,用四分位數間距可反映變異程度的大小.即 q3 q1 確定四分位數的位置 四分位數是將數列等分成四個部分的數，乙個數列有三個四分位數，設下四分位數 中位數和上四分位數分別為q1 q2 q3，則 q1 q2 q3的位置可由下述公式確定 q1的位置 n 1 4 ...

四分位數及matlab實現

四分位數 quantile 解釋及呼叫形式如下。quantile x,y,z 的三個引數的說明如下 x表示要求的矩陣或者向量 y的取值為表示要求的分位數，如四分之一中位數0.25，四分之三中位數0.75等 z的取值為1或者2，若值為1則表示按列求四分位數，若為2表示按行求四分位數。例子如下 f 1 ...

方差 標準差 四分位數 z score公式

s 2 frac sum x i mu 2 frac x 1 mu 2 x 2 mu 2 x n mu 2 其中公式中 為平均數，n為這組資料的個數，x1 x2 x3 xn為這組資料具體數值。s sqrt sqrt sum x i mu 2 其中公式中數值x1，x2，x3，xn 皆為實數 其平均值 ...