### 处理DataFrame并计算统计量 为了确保输入表格的数据全部为整数，可以定义一个函数 `convert_to_int` 来遍历整个 DataFrame 并尝试将每列转换成整型。对于存在小数的情况，在转换前可以通过 `.round()` 方法先进行四舍五入处理[^2]。 ```python import pandas as pd import numpy as np def convert_to_int(df): """Convert all columns in the dataframe to integer type.""" df_rounded = df.copy() # 对于数值类型的列执行四舍五入再转int操作 for col in df.columns: if df[col].dtype in ['float64', 'float32']: df_rounded[col] = df[col].round().astype('Int64') elif df[col].dtype == 'object': try: df_rounded[col] = df[col].astype(int) except ValueError: print(f"Column {col} contains non-integer values and cannot be converted.") return df_rounded ``` 完成数据类型转换之后，利用 Pandas 提供的功能可以直接调用内置方法来获取中位数、四分位数以及任意百分位数： - 中位数可通过 `median()` 函数获得； - 四分位数则通过 `quantile(q=[0.25, 0.75])` 参数设置求得上下两个四分位点； - 百分位数同样借助 `quantile()` 函数，并传入具体的百分比例作为参数即可。 下面给出完整的代码示例： ```python def calculate_statistics(df): """Calculate median, quartiles, and custom percentiles from given dataframe.""" stats_df = pd.DataFrame() # 计算各列的中位数 stats_df['Median'] = df.median(numeric_only=True) # 获取第一和第三四分位数 quantiles = df.quantile([0.25, 0.75], numeric_only=True).T stats_df[['Q1', 'Q3']] = quantiles[[0.25, 0.75]] # 自定义百分位数计算（这里假设要找90%的位置） percentile_90 = df.quantile(0.9, numeric_only=True) stats_df['Perc_90'] = percentile_90 return stats_df.fillna('-') # 非数值字段填充'-' # 创建测试dataframe用于演示 test_data = { 'A': [1.1, 2.2, 3.3], 'B': range(1, 4), 'C': list('abc'), } df_test = pd.DataFrame(test_data) # 应用上述功能 converted_df = convert_to_int(df_test) stat_results = calculate_statistics(converted_df) print("Converted Data:\n", converted_df) print("\nStatistics Results:\n", stat_results) ``` 此段脚本首先创建了一个简单的 DataFrame 进行测试，接着分别应用了之前提到过的两种主要逻辑——数据类型转换与统计数据计算。最终打印出来的结果展示了原始表单经过处理后的样子及其对应的统计特征值。