Python NumPy中np.percentile函数原理与用法详解

np.percentile函数基本用法

在Python中，若需计算多维数组的任意百分比分位数，可利用NumPy库提供的np.percentile函数。该函数默认将数据按从小到大排序后进行计算，使用方式简洁高效。

a = range(1,101)
#求取a数列第90%分位的数值
np.percentile(a, 90)
Out[5]: 90.10000000000001

a = range(101,1,-1)
#百分位是从小到大排列
np.percentile(a, 90)
Out[7]: 91.10000000000001

更多详细用法可参考官方文档说明。

numpy.percentile
Parameters
 ----------
 a : np数组
 q : float in range of [0,100] (or sequence of floats)
  Percentile to compute。
  要计算的q分位数。
 axis : 那个轴上运算。
 keepdims :bool是否保持维度不变。

 Examples
 --------
 >>> a = np.array([[10, 7, 4], [3, 2, 1]])
 >>> a
 array([[10, 7, 4],
   [ 3, 2, 1]])
 >>> np.percentile(a, 50) #50%的分位数，就是a里排序之后的中位数
 3.5
 >>> np.percentile(a, 50, axis=0) #axis为0，在纵列上求
 array([[ 6.5, 4.5, 2.5]])
 >>> np.percentile(a, 50, axis=1) #axis为1，在横行上求
 array([ 7., 2.])
 >>> np.percentile(a, 50, axis=1, keepdims=True) #keepdims=True保持维度不变
 array([[ 7.],
   [ 2.]])

分位数计算原理深度解析

补充知识：关于np.percentile函数的个人理解（我认为非常准确）

最近在复现他人基线代码时遇到了np.percentile函数，此前未曾使用过，因此查阅了官方文档以探究其具体工作机制（官方文档链接见）。

官方文档中的示例恰好使用了50作为参数（这显然是求中位数），但在实际运行中，我对为何输出结果为5.8感到困惑。

线性插值计算逻辑

经过仔细推敲，我意识到该函数的核心意义在于：返回一个数值，使得列表中60%的数据小于或等于该数值。

示例中的列表长度为9。数字1对应0%位置，数字9对应100%位置，两者之间共有8个间隔。每个间隔代表的百分比为100/8=12.5。

当参数设为60时，计算60/12.5=4.8，这意味着需要跨越4.8个间隔。首先跳过4个完整的间隔，到达数字5所在的位置；随后再向后移动0.8个间隔。由于该间隔内数值从5增加到6（长度为1），最终结果为5 + 1 * 0.8 = 5.8，这与函数输出的结果完全一致。

这主要是出于对细节的钻研。如果不需要了解具体的计算过程，只需记住该函数的统计意义即可。

此外，在我的解释中特意使用了“间隔”这一概念，是因为示例中1到9相邻数字的差值相同。但在实际应用场景中，数据分布可能不均匀，间隔长度并不固定。

以上关于Python NumPy库np.percentile用法的说明即为全部内容，希望能为大家提供参考，也欢迎继续支持本站。