NumPy nanquantile() 函数

NumPy nanquantile() 函数计算数据沿指定轴的第 q 个分位数(或百分位数)，忽略 NaN(非数字)值。如果指定了多个概率级别，则结果的第一个轴对应于分位数。

其他轴是输入数据约简后剩余的轴。如果输入数据包含小于 float64 的整数或浮点数，则输出数据类型为 float64。否则，输出数据类型与输入相同。如果指定了 out，则返回该数组。

在 NumPy 中，quantile() 和 nanquantile() 函数允许计算第 q 个分位数。唯一的区别在于，nanquantile() 函数会将 NaN 值排除在计算之外，而 quantile() 函数则会将其纳入计算。

语法

以下是 NumPy nanquantile() 函数的语法 -

numpy.nanquantile(a, q, axis=None, out=None, overwrite_input=False, method='linear', keepdims=False)

参数

以下是 NumPy nanquantile() 函数的参数 -

• a:输入数组，可以是 NumPy 数组、列表或标量值。输入数据可能包含 NaN 值。
• q:要计算的分位数，可以是单个数字，也可以是数字列表/数组。它应在 [0, 1] 范围内(例如，0.25 表示第 25 个百分位数，0.5 表示中位数)。
• axis(可选):计算分位数的轴。默认值为 None，表示将在整个数组上计算分位数。
• out(可选):存储结果的位置。如果提供，则必须与预期输出具有相同的形状。
• overwrite_input(可选):如果为 True，则将就地修改输入数组。默认值为 False。
• keepdims(可选):如果为 True，则缩减后的维度在输出中保留为 1 的维度。默认值为 False。
• method(可选):当所需分位数位于两个数据点之间时使用的插值方法。它可以是以下之一 -
• linear(默认):在两个最近的数据点之间执行线性插值。
• lower:返回两个数据点中较低的一个。
• higher:返回两个数据点中较高的一个。
• midpoint:返回两个数据点的中点。
• nearest:返回最近的数据点。

返回值

此函数返回输入数组沿指定轴的第 q 个分位数，忽略 NaN 值。根据输入和 q 参数的值，结果是标量还是数组。

示例

以下是使用 NumPy nanquantile() 函数计算数组第 50 个百分位数(中位数)的基本示例 -

import numpy as np
# 输入包含 NaN 值的数组
x = np.array([1, 2, 3, 4, np.nan, 6, 7, 8, 9])
# 应用 nanquantile
result = np.nanquantile(x, 0.5) # 第 50 个百分位数(中位数)
print("NanQuantile 结果(第 50 个百分位数):", result)

输出

以下是上述代码的输出 -

NanQuantile 结果(第 50 个百分位数):5.0

示例:多维数组

nanquantile() 函数对多维数组进行运算，同时忽略 NaN 值。在以下示例中，我们创建了一个二维 NumPy 数组，并计算了沿特定轴的第 50 个百分位数(中位数)-

import numpy as np
# 包含 NaN 值的二维数组
x = np.array([[1, 2, 3], [4, 5, np.nan], [7, 8, 9]])
# 沿轴 0(列)应用 NanQuantile
result = np.nanquantile(x, 0.5, axis=0)
print("沿轴 0(中位数)的 NanQuantile 结果:", result)

输出

以下是上述代码的输出 −

沿轴 0(中位数)的 NanQuantile 结果:[4. 5. 6.]

示例:使用不同的插值方法

在下面的示例中，我们使用了不同的插值方法计算数组的第 50 个百分位数，忽略了 NaN 值。我们已经演示了线性、较低、较高和中点方法 -

import numpy as np
# 输入包含 NaN 值的数组
x = np.array([1, 3, 5, np.nan, 9])
# 使用不同的方法应用 nanquantile
result_linear = np.nanquantile(x, 0.5, method='linear')
result_lower = np.nanquantile(x, 0.5, method='lower')
result_higher = np.nanquantile(x, 0.5, method='higher')
result_midpoint = np.nanquantile(x, 0.5, method='midpoint')
print("线性方法:", result_linear)
print("Lower Method:", result_lower)
print("Higher Method:", result_higher)
print("Midpoint Method:", result_midpoint)

输出

以下是上述代码的输出 -

线性方法:5.0
Lower Method:3.0
Higher Method:7.0
Midpoint Method:5.0

示例:绘制 'nanquantile()' 函数

在下面的示例中，我们绘制了 nanquantile 函数在一系列输入值下的行为，忽略了 NaN 值。我们计算并绘制了 25%、50% 和 75% 的百分位数 -

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 1, 100) # 输入范围
y_25 = np.nanquantile(x, 0.25)
y_50 = np.nanquantile(x, 0.5)
y_75 = np.nanquantile(x, 0.75)
plt.plot(x, np.full_like(x, y_25), label="25% 百分位数")
plt.plot(x, np.full_like(x, y_50), label="50% 百分位数")
plt.plot(x, np.full_like(x, y_75)，label="75%"
plt.title("NanQuantile 函数")
plt.xlabel("输入")
plt.ylabel("分位数")
plt.legend()
plt.grid()
plt.show()

输出

该图展示了每个分位数(25%、50%、75% 的分位数)的恒定性，因为每个分位数的输入值保持不变 -

numpy_statistical_functions.html