在 Python 中计算一列数据的分位数，可以使用多种方法，包括自定义函数以及借助 `NumPy` 和 `pandas` 等库实现。 ### 使用自定义函数计算分位数 根据提供的引用内容[^1]，已经提供了一个用于计算分位数的自定义函数 `quantile_p`。该函数支持不同的插值方法，并可返回四分位数（Q1、Q2、Q3）及四分位距（IQR）。以下为完整的代码示例： ```python import math def quantile_p(data, p, method=1): data.sort() if method == 2: pos = 1 + (len(data) - 1) * p else: pos = (len(data) + 1) * p pos_integer = int(math.modf(pos)[1]) pos_decimal = pos - pos_integer Q = data[pos_integer - 1] + (data[pos_integer] - data[pos_integer - 1]) * pos_decimal return Q # 示例数据 data = [5, 7, 8, 9, 10, 12, 14, 15] # 计算四分位数 Q1 = quantile_p(data, 0.25) Q2 = quantile_p(data, 0.5) Q3 = quantile_p(data, 0.75) # 输出结果 print(f"Q1: {Q1}, Q2: {Q2}, Q3: {Q3}") ``` ### 使用 NumPy 计算分位数 `NumPy` 提供了 `numpy.quantile()` 函数来快速计算分位数，适用于数组或列表形式的数据。以下是一个使用 `NumPy` 的示例： ```python import numpy as np # 示例数据 data = [5, 7, 8, 9, 10, 12, 14, 15] # 计算任意分位数 q_values = np.quantile(data, [0.25, 0.5, 0.75]) # 输出结果 print(f"Q1: {q_values[0]}, Q2: {q_values[1]}, Q3: {q_values[2]}") ``` ### 使用 pandas 计算分位数 如果数据存储在 `pandas.DataFrame` 或 `pandas.Series` 中，可以通过调用 `.quantile()` 方法直接计算分位数。以下为具体示例： ```python import pandas as pd # 创建一个 Series data_series = pd.Series([5, 7, 8, 9, 10, 12, 14, 15]) # 计算分位数 q_values = data_series.quantile([0.25, 0.5, 0.75]) # 输出结果 print(q_values) ``` ### 分组后计算分位数 对于需要按类别分组后分别计算分位数的情况，可以使用 `groupby()` 结合 `.quantile()` 来实现，例如： ```python # 创建一个 DataFrame 并进行分组统计 df = pd.DataFrame({ 'category': ['A', 'A', 'B', 'B', 'A', 'B'], 'values': [5, 7, 8, 9, 10, 12] }) # 按 category 分组并计算每个组的 0.25 分位数 result = df.groupby('category')['values'].quantile(0.25).reset_index() # 输出结果 print(result) ``` 以上方法均可灵活应用于不同类型的数据集和场景中。