问题标签 [percentile]

我想出了一个 matlab 代码来绘制概率密度和累积图。我已经使用 matlab 来计算标准偏差和平均值。我的下一个任务是找到累积图的第 15 个和第 85 个百分位。我尝试使用 'prctile (prob, 15)' 来计算第 15 个百分位数，但它似乎与我从图中观察到的值不同。

还有其他方法可以找到第 15 和 85 个百分位数吗？

我有一个大的 MySQL 表，即使正确索引，每个查询也可能需要 1 秒（听起来并不多，但它运行在数千台服务器上）。现在，我有四个查询来获得第 95 个百分位的入站、第 95 个百分位的出站以及两者的总和。

查询 1：获取行数以获取第 95 个百分位行

查询 2&3 得到第 95 个百分位数

查询 4 ​​获取流量总和

你能想到我可以结合这些的任何方式吗？我面临着想办法的挑战，因为我需要得到第 95 个百分位数，这是通过根据计数选择特定行来计算的。例如，如果有 10000 行，则按升序排列并选择第 9500 行。

我有一个以一定速率到达的 int 值流。每 5 分钟，我想根据这些值计算一些百分位数，然后重新开始。

问题：我不想浪费太多内存，所以我只想保留几个 KB 的值。如果我的缓冲区在 5 分钟内没有填满，我可以完美地计算百分位数。但是，如果缓冲区确实填满，我想开始删除一些值（可能使用此处建议的水库采样和随机驱逐 - Percentiles of Live Data Capture）。不幸的是，我找不到在这两种情况下都适用的解决方案 - 如果缓冲区未满，我不想驱逐或忽略值，一旦它满了并且我开始驱逐，我总是会引入偏见。

我有一个数据集，其中包含以下标识符、rscore、gvkey、sic2、year 和 cdom。我要做的是根据给定 gvkey 的所有时间跨度（~1500）的总 rscores 计算百分位等级，然后根据 gvkey 计算给定时间跨度和 sic2 中的百分位等级。

计算所有时间跨度的百分位数是一个相当快的过程，但是一旦我加入计算 sic2 百分位数排名，它就会相当慢，但我们可能总共查看约 65,000 个子集。我想知道是否有可能加快这个过程。

一个时间跨度的数据如下所示

计算行业排名的代码如下，相当简单。

任何加快该过程的建议将不胜感激！

我有一个包含数千行的表，我想计算其中一个字段的第 90 个百分位，称为“round”。

例如，选择第 90 个百分位的 round 值。

我看不到在 MySQL 中执行此操作的简单方法。

有人可以就我如何开始这种计算提供一些建议吗？

谢谢！

A B 1 5 2 10 2 15 3 20

I want to calculate percentile for a column of values B if A is equal say 2. That's I want to get range of B2,B3 and calculate percentile of this.

So basically the question is: how do I select range in one column with the checking with another column?

I.e. it works perfectly with SumIf and CountIf, I just need the same with PercentileIf. Thx!

我一直在寻找一种方法来计算给定列表中每个值的百分位排名，但到目前为止我一直没有成功。

org.apache.commons.math3为您提供了一种从值列表中获取 pth 百分位数的方法，但我想要的是相反的。我想对列表中的每个值进行排名。有没有人知道一个库或 Apache 公共数学中的一种方法来实现这一点？

例如：给定一个值列表{1,2,3,4,5}，我希望每个值的百分位数排名，最大百分位数为 99 或 100，最小值为 0 或 1。

更新代码：

有人可以让我知道这是否正确，以及是否有一个图书馆可以更干净地做到这一点？

谢谢！

如果有人可以检查我的方法是否正确，那就太好了。简而言之，问题是，如果错误计算是正确的方法。假设我有以下数据。

此外，我想检查我的数据是否遵循正态分布。

编辑：我知道有测试等，但我将专注于构建带有置信度线的 qqplot。我知道汽车包里有一个方法，但我想了解这些线路的构建。

所以我计算了我的样本数据以及我的理论分布的百分位数（估计mu = 24.6609和sigma = 1.6828。所以我最终得到了这两个包含百分位数的向量。

现在我想计算alpha=0.05理论百分位数的置信区间。如果我记得自己是正确的，则公式由下式给出

和。n=length(data)_z=quantil of the normal distribution for the given p

因此，为了获得第二个百分位数的置信区间，我将执行以下操作：

插入值：

最后我有

其余的也一样......

那你怎么看，我可以去吗？

x = 兰德（1000,1）；

条形（历史（x）*100/长度（x））；轴（10、2、100）

我遇到的问题是 x 轴从 1 到 10 表示，我需要将它们从数组中的最低数字分组到最高数字。因此，如果最低为 200，最高为 900，则我需要 x 从 200 到 900 递增 70。如果我更改轴，则条形宽度和位置保持不变。因为我把它放在工作中，所以没有随身携带代码。

我注意到 pandas.DataFrame.describe() 和 numpy.percentile() 处理 NaN 值的方式有所不同。例如

Pandas 在百分位数计算中会忽略 NaN 值，而 numpy 不会。是否有任何令人信服的理由将 NaN 包含在百分位数计算中？看来 Pandas 正确地处理了这个问题，所以我想知道为什么 numpy 不会做出类似的实现。

开始编辑

根据 Jeff 的评论，这在重新采样数据时会成为一个问题。如果我有一个包含 NaN 值的时间序列并且想要重新采样到百分位数（根据这篇文章）

将在计算中包含 NaN 值（就像 numpy 一样）。为避免这种情况，您必须改为放置

也许一个 numpy 请求是有序的。就个人而言，我认为没有任何理由将 NaN 包含在百分位数计算中。在我看来，pd.describe() 和 np.percentile 应该返回完全相同的值（我认为这是预期的行为），但是它们不容易被遗漏的事实（这在文档中没有提到） np.percentile），它可以扭曲统计数据。这是我的担忧。

结束编辑