1

我使用 Numpy/Pandas 和 TI-nspire 计算了上四分位数（Q3 或 75%-tile）和下四分位数（Q1 或 25%-tile）。但我得到不同的价值观。为什么会这样？

从 (5+8)/2=6.5 和 (18+21)/2=19.5，Numpy/Pandas Q1 和 Q3 是错误的。为什么 Numpy/Pandas 返回错误的数字？

import numpy as np

data=np.array([2,4,5,8,10,11,12,14,17,18,21,22,25])

q75, q25 = np.percentile(data, [75 ,25])
print(q75,q25)


df=pd.DataFrame(data)
df.describe()

Numpy 返回 18.0 和 8.0。Pandas 返回 18.0 和 8.0。但 TI-nspire 返回 19.5 和 6.5。

在此处输入图像描述

在此处输入图像描述

4

2 回答 2

1

这篇文章和这篇文章帮助我理解了它。

所以如果你有 [7, 15, 36, 39, 40, 41]，那么 7 -> 0%, 15 -> 20%, 36 -> 40%, 39 -> 60%, 40 -> 80%, 41 -> 100%。

默认interpolation值为线性。所以它使用 i + (j - i) * 分数。您可以将插值设置为计算 (i + j) / 2 的中点。

import numpy as np

data=np.array([7,15,36,39,40,41])
linear = np.percentile(data, [25, 50, 75], interpolation='linear')
mid = np.percentile(data, [25, 50, 75], interpolation='midpoint')
low = np.percentile(data, [25, 50, 75], interpolation='lower')
high = np.percentile(data, [25, 50, 75], interpolation='higher')
nearest = np.percentile(data, [25, 50, 75], interpolation='nearest')
print(linear,mid,low,high,nearest)
print(15,37.5,40)

输出：

在此处输入图像描述

所以我发现你在 Pandas/Numpy 中找到 Q1 和 Q3 作为 TI-nspire 并没有确切的方法。

于 2020-01-28T21:19:49.207 回答
1

你要请客了。他们都是对的。

与大多数其他描述符不同，使用的 Q1 和 Q3 有几种不同的定义。对于具有大量观察值的数据集，不同的定义将给出或多或少相同的结果。对于小型数据集，您会看到差异 - 正如您所经历的那样。

Mathword 列出了 5 种（五种！）计算四分位数的不同方法。见http://mathworld.wolfram.com/Quartile.html

于 2020-01-29T00:02:36.857 回答