Jak obliczyć percentyle za pomocą python / numpy?

214

Czy istnieje wygodny sposób obliczania percentyli dla sekwencji lub jednowymiarowej tablicy numpy?

Szukam czegoś podobnego do funkcji percentyla programu Excel.

Zajrzałem do statystyki NumPy i nie mogłem tego znaleźć. Jedyne, co mogłem znaleźć, to mediana (50 percentyl), ale nie coś bardziej szczegółowego.

Uri
źródło
Podobne pytanie dotyczące obliczania percentyli na podstawie częstotliwości: stackoverflow.com/questions/25070086/...
newtover

Odpowiedzi:

282

Możesz być zainteresowany pakietem SciPy Stats . Ma funkcję percentyla, której szukasz, i wiele innych statystycznych dodatków.

percentile() jest również dostępny w numpy.

import numpy as np
a = np.array([1,2,3,4,5])
p = np.percentile(a, 50) # return 50th percentile, e.g median.
print p
3.0

Ten bilet prowadzi mnie do percentile()wniosku, że w najbliższym czasie nie zostaną zintegrowane z Numpy.

Jon W.
źródło
2
Dziękuję Ci! Więc to tam się ukrywa. Byłem świadomy scipy, ale przypuszczam, że założyłem, że proste rzeczy, takie jak percentyle, zostaną wbudowane w numpy.
Uri,
16
Do tej pory istnieje funkcja percentyla w numpy: docs.scipy.org/doc/numpy/reference/generated/…
Anaphory
1
Możesz użyć go również jako funkcji agregującej, np. Do obliczenia dziesiątego percentyla każdej grupy kolumny wartości według klucza, użyjdf.groupby('key')[['value']].agg(lambda g: np.percentile(g, 10))
patricksurry
1
Pamiętaj, że SciPy zaleca stosowanie np. Percentile dla NumPy 1.9 i nowszych
timdiels
73

Nawiasem mówiąc, istnieje implementacja funkcji percentyla w czystym Pythonie , na wypadek, gdyby ktoś nie chciał polegać na scipy. Funkcja została skopiowana poniżej:

## {{{ http://code.activestate.com/recipes/511478/ (r1)
import math
import functools

def percentile(N, percent, key=lambda x:x):
    """
    Find the percentile of a list of values.

    @parameter N - is a list of values. Note N MUST BE already sorted.
    @parameter percent - a float value from 0.0 to 1.0.
    @parameter key - optional key function to compute value from each element of N.

    @return - the percentile of the values
    """
    if not N:
        return None
    k = (len(N)-1) * percent
    f = math.floor(k)
    c = math.ceil(k)
    if f == c:
        return key(N[int(k)])
    d0 = key(N[int(f)]) * (c-k)
    d1 = key(N[int(c)]) * (k-f)
    return d0+d1

# median is 50th percentile.
median = functools.partial(percentile, percent=0.5)
## end of http://code.activestate.com/recipes/511478/ }}}
Boris Gorelik
źródło
54
Jestem autorem powyższego przepisu. Komentator w ASPN zauważył, że oryginalny kod zawiera błąd. Formuła powinna mieć postać d0 = klucz (N [int (f)]) * (ck); d1 = klucz (N [int (c)]) * (kf). Zostało to poprawione w ASPN.
Wai Yip Tung,
1
Skąd percentilewie, do czego używać N? Nie jest to określone w wywołaniu funkcji.
Richard
14
dla tych, którzy nawet nie czytali kodu, zanim go użyjesz, N musi zostać posortowane
kevin
Jestem zdezorientowany wyrażeniem lambda. Co to robi i jak to robi? Wiem, jakie są wyrażenia lambda, więc nie pytam, co to jest lambda. Pytam, co robi to konkretne wyrażenie lambda i jak to robi, krok po kroku? Dzięki!
dsanchez
Funkcja lambda pozwala przekształcić dane Nprzed obliczeniem percentyla. Załóżmy, że faktycznie masz listę krotek N = [(1, 2), (3, 1), ..., (5, 1)]i chcesz uzyskać percentyl pierwszego elementu krotek, a następnie wybierz key=lambda x: x[0]. Możesz także zastosować transformację (zmieniającą porządek) do elementów listy przed obliczeniem percentyla.
Elias Strehle
26
import numpy as np
a = [154, 400, 1124, 82, 94, 108]
print np.percentile(a,95) # gives the 95th percentile
Richie
źródło
19

Oto jak to zrobić bez numpy, używając tylko Pythona do obliczenia percentyla.

import math

def percentile(data, percentile):
    size = len(data)
    return sorted(data)[int(math.ceil((size * percentile) / 100)) - 1]

p5 = percentile(mylist, 5)
p25 = percentile(mylist, 25)
p50 = percentile(mylist, 50)
p75 = percentile(mylist, 75)
p95 = percentile(mylist, 95)
Ashkan
źródło
2
Tak, musisz najpierw posortować listę: mylist = sorted (...)
Ashkan
12

Definicja percentyla, którą zwykle widzę, oczekuje w rezultacie wartości z dostarczonej listy, poniżej której znajduje się P procent wartości ... co oznacza, że ​​wynik musi pochodzić ze zbioru, a nie interpolacji między elementami zestawu. Aby to uzyskać, możesz użyć prostszej funkcji.

def percentile(N, P):
    """
    Find the percentile of a list of values

    @parameter N - A list of values.  N must be sorted.
    @parameter P - A float value from 0.0 to 1.0

    @return - The percentile of the values.
    """
    n = int(round(P * len(N) + 0.5))
    return N[n-1]

# A = (1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
# B = (15, 20, 35, 40, 50)
#
# print percentile(A, P=0.3)
# 4
# print percentile(A, P=0.8)
# 9
# print percentile(B, P=0.3)
# 20
# print percentile(B, P=0.8)
# 50

Jeśli wolisz uzyskać wartość z dostarczonej listy, na której lub poniżej znajduje się P procent wartości, użyj tej prostej modyfikacji:

def percentile(N, P):
    n = int(round(P * len(N) + 0.5))
    if n > 1:
        return N[n-2]
    else:
        return N[0]

Lub z uproszczeniem sugerowanym przez @ijustlovemath:

def percentile(N, P):
    n = max(int(round(P * len(N) + 0.5)), 2)
    return N[n-2]
mpounsett
źródło
dzięki, spodziewam się również, że percentyl / mediana
przyniesie
1
Cześć @mpounsett. Dziękuję za górny kod. Dlaczego twój percentyl zawsze zwraca wartości całkowite? Funkcja percentyla powinna zwracać N-ty percentyl listy wartości, i może to być również liczba zmiennoprzecinkowa. Na przykład, Excel PERCENTILEzwraca następujące percentyla dla górnych przykładów: 3.7 = percentile(A, P=0.3), 0.82 = percentile(A, P=0.8), 20 = percentile(B, P=0.3), 42 = percentile(B, P=0.8).
marco
1
Wyjaśniono to w pierwszym zdaniu. Częstszą definicją percentyla jest to, że jest to liczba w szeregu, poniżej której znajduje się P procent wartości w szeregu. Ponieważ jest to numer indeksu elementu na liście, nie może być liczbą zmiennoprzecinkową.
mpounsett,
To nie działa dla 0 percentyla. Zwraca maksymalną wartość. Quick Fix byłoby zawinąć n = int(...)w max(int(...), 1)funkcji
ijustlovemath
Aby wyjaśnić, masz na myśli w drugim przykładzie? Dostaję 0 zamiast maksymalnej wartości. Błąd znajduje się w klauzuli else. Wydrukowałem numer indeksu, a nie wartość, którą zamierzałem. Owinięcie przypisania „n” w wywołaniu max () również by to naprawiło, ale chciałbyś, aby druga wartość wynosiła 2, a nie 1. Możesz wtedy wyeliminować całą strukturę if / else i po prostu wydrukować wynik N [n-2]. 0 percentyl działa dobrze w pierwszym przykładzie, zwracając odpowiednio „1” i „15”.
mpounsett,
8

Zaczynając Python 3.8, standardowa biblioteka zawiera quantilesfunkcję jako część statisticsmodułu:

from statistics import quantiles

quantiles([1, 2, 3, 4, 5], n=100)
# [0.06, 0.12, 0.18, 0.24, 0.3, 0.36, 0.42, 0.48, 0.54, 0.6, 0.66, 0.72, 0.78, 0.84, 0.9, 0.96, 1.02, 1.08, 1.14, 1.2, 1.26, 1.32, 1.38, 1.44, 1.5, 1.56, 1.62, 1.68, 1.74, 1.8, 1.86, 1.92, 1.98, 2.04, 2.1, 2.16, 2.22, 2.28, 2.34, 2.4, 2.46, 2.52, 2.58, 2.64, 2.7, 2.76, 2.82, 2.88, 2.94, 3.0, 3.06, 3.12, 3.18, 3.24, 3.3, 3.36, 3.42, 3.48, 3.54, 3.6, 3.66, 3.72, 3.78, 3.84, 3.9, 3.96, 4.02, 4.08, 4.14, 4.2, 4.26, 4.32, 4.38, 4.44, 4.5, 4.56, 4.62, 4.68, 4.74, 4.8, 4.86, 4.92, 4.98, 5.04, 5.1, 5.16, 5.22, 5.28, 5.34, 5.4, 5.46, 5.52, 5.58, 5.64, 5.7, 5.76, 5.82, 5.88, 5.94]
quantiles([1, 2, 3, 4, 5], n=100)[49] # 50th percentile (e.g median)
# 3.0

quantileszwraca dla danego rozkładu distlistę n - 1punktów cięcia oddzielających ninterwały kwantylowe (podział distna nciągłe interwały z jednakowym prawdopodobieństwem):

Statistics.quantiles (dist, *, n = 4, method = 'exclusive')

gdzie nw naszym przypadku ( percentiles) jest 100.

Xavier Guihot
źródło
6

sprawdź moduł scipy.stats:

 scipy.stats.scoreatpercentile
Wynicować
źródło
2

Aby obliczyć percentyl serii, uruchom:

from scipy.stats import rankdata
import numpy as np

def calc_percentile(a, method='min'):
    if isinstance(a, list):
        a = np.asarray(a)
    return rankdata(a, method=method) / float(len(a))

Na przykład:

a = range(20)
print {val: round(percentile, 3) for val, percentile in zip(a, calc_percentile(a))}
>>> {0: 0.05, 1: 0.1, 2: 0.15, 3: 0.2, 4: 0.25, 5: 0.3, 6: 0.35, 7: 0.4, 8: 0.45, 9: 0.5, 10: 0.55, 11: 0.6, 12: 0.65, 13: 0.7, 14: 0.75, 15: 0.8, 16: 0.85, 17: 0.9, 18: 0.95, 19: 1.0}
Roei Bahumi
źródło
1

Jeśli potrzebujesz odpowiedzi, aby być członkiem wejściowej tablicy numpy:

Wystarczy dodać, że funkcja percentyla w numpy domyślnie oblicza wynik jako liniową średnią ważoną dwóch sąsiednich wpisów w wektorze wejściowym. W niektórych przypadkach ludzie mogą chcieć, aby zwracany percentyl był faktycznym elementem wektora, w tym przypadku od wersji 1.0.0 można użyć opcji „interpolacji” z „niższym”, „wyższym” lub „najbliższym”.

import numpy as np
x=np.random.uniform(10,size=(1000))-5.0

np.percentile(x,70) # 70th percentile

2.075966046220879

np.percentile(x,70,interpolation="nearest")

2.0729677997904314

Ten ostatni jest rzeczywistym wpisem w wektorze, podczas gdy ten pierwszy jest interpolacją liniową dwóch wpisów wektora, które graniczą z percentylem

Adrian Tompkins
źródło
0

dla serii: używane opisują funkcje

załóżmy, że masz df z następującymi kolumnami sprzedaż i identyfikator. chcesz obliczyć percentyle dla sprzedaży, to działa w ten sposób,

df['sales'].describe(percentiles = [0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1])

0.0: .0: minimum
1: maximum 
0.1 : 10th percentile and so on
ashwini
źródło
0

Wygodnym sposobem obliczania percentyli dla jednowymiarowej sekwencji lub macierzy numpy jest użycie numpy.percentile < https://docs.scipy.org/doc/numpy/reference/generated/numpy.percentile.html >. Przykład:

import numpy as np

a = np.array([0,1,2,3,4,5,6,7,8,9,10])
p50 = np.percentile(a, 50) # return 50th percentile, e.g median.
p90 = np.percentile(a, 90) # return 90th percentile.
print('median = ',p50,' and p90 = ',p90) # median =  5.0  and p90 =  9.0

Jeśli jednak w Twoich danych jest jakakolwiek wartość NaN, powyższa funkcja nie będzie przydatna. Zalecaną funkcją do użycia w takim przypadku jest funkcja numpy.nanpercentile < https://docs.scipy.org/doc/numpy/reference/generated/numpy.nanpercentile.html >:

import numpy as np

a_NaN = np.array([0.,1.,2.,3.,4.,5.,6.,7.,8.,9.,10.])
a_NaN[0] = np.nan
print('a_NaN',a_NaN)
p50 = np.nanpercentile(a_NaN, 50) # return 50th percentile, e.g median.
p90 = np.nanpercentile(a_NaN, 90) # return 90th percentile.
print('median = ',p50,' and p90 = ',p90) # median =  5.5  and p90 =  9.1

W dwóch przedstawionych powyżej opcjach nadal możesz wybrać tryb interpolacji. Wykonaj poniższe przykłady, aby łatwiej zrozumieć.

import numpy as np

b = np.array([1,2,3,4,5,6,7,8,9,10])
print('percentiles using default interpolation')
p10 = np.percentile(b, 10) # return 10th percentile.
p50 = np.percentile(b, 50) # return 50th percentile, e.g median.
p90 = np.percentile(b, 90) # return 90th percentile.
print('p10 = ',p10,', median = ',p50,' and p90 = ',p90)
#p10 =  1.9 , median =  5.5  and p90 =  9.1

print('percentiles using interpolation = ', "linear")
p10 = np.percentile(b, 10,interpolation='linear') # return 10th percentile.
p50 = np.percentile(b, 50,interpolation='linear') # return 50th percentile, e.g median.
p90 = np.percentile(b, 90,interpolation='linear') # return 90th percentile.
print('p10 = ',p10,', median = ',p50,' and p90 = ',p90)
#p10 =  1.9 , median =  5.5  and p90 =  9.1

print('percentiles using interpolation = ', "lower")
p10 = np.percentile(b, 10,interpolation='lower') # return 10th percentile.
p50 = np.percentile(b, 50,interpolation='lower') # return 50th percentile, e.g median.
p90 = np.percentile(b, 90,interpolation='lower') # return 90th percentile.
print('p10 = ',p10,', median = ',p50,' and p90 = ',p90)
#p10 =  1 , median =  5  and p90 =  9

print('percentiles using interpolation = ', "higher")
p10 = np.percentile(b, 10,interpolation='higher') # return 10th percentile.
p50 = np.percentile(b, 50,interpolation='higher') # return 50th percentile, e.g median.
p90 = np.percentile(b, 90,interpolation='higher') # return 90th percentile.
print('p10 = ',p10,', median = ',p50,' and p90 = ',p90)
#p10 =  2 , median =  6  and p90 =  10

print('percentiles using interpolation = ', "midpoint")
p10 = np.percentile(b, 10,interpolation='midpoint') # return 10th percentile.
p50 = np.percentile(b, 50,interpolation='midpoint') # return 50th percentile, e.g median.
p90 = np.percentile(b, 90,interpolation='midpoint') # return 90th percentile.
print('p10 = ',p10,', median = ',p50,' and p90 = ',p90)
#p10 =  1.5 , median =  5.5  and p90 =  9.5

print('percentiles using interpolation = ', "nearest")
p10 = np.percentile(b, 10,interpolation='nearest') # return 10th percentile.
p50 = np.percentile(b, 50,interpolation='nearest') # return 50th percentile, e.g median.
p90 = np.percentile(b, 90,interpolation='nearest') # return 90th percentile.
print('p10 = ',p10,', median = ',p50,' and p90 = ',p90)
#p10 =  2 , median =  5  and p90 =  9

Jeśli tablica wejściowa składa się tylko z liczb całkowitych, być może interesuje Cię odpowiedź procentowa jako liczba całkowita. Jeśli tak, wybierz tryb interpolacji, taki jak „niższy”, „wyższy” lub „najbliższy”.

Italo Gervasio
źródło