### 使用Pandas筛选某一列从10%分位数到60%分位数的数据 要在 Python 中使用 Pandas 数据框筛选某一列从 10% 分位数到 60% 分位数的数据，可以通过 `quantile` 方法计算指定百分位数值，并利用布尔索引来过滤数据。以下是具体实现方法： #### 计算分位数并筛选数据 通过调用 DataFrame 的 `.quantile()` 方法来获取目标列的 10% 和 60% 分位数。然后基于这两个值构建布尔条件表达式，用于筛选符合条件的行。 ```python import pandas as pd # 创建示例数据框 data = { 'name': pd.Series(['Alice', 'Bob', 'Cathy', 'Dany', 'Ella']), 'Math_A': pd.Series([1.1, 2.2, 3.3, 4.4, 5]), 'English_A': pd.Series([3, 2.6, 2, 1.7, 3]), 'Math_B': pd.Series([1.7, 2.5, 3.6, 2.4, 5]), 'English_B': pd.Series([5, 2.6, 2.4, 1.3, 3]) } df = pd.DataFrame(data) # 定义目标列 target_column = 'Math_A' # 计算 10% 和 60% 分位数 lower_quantile = df[target_column].quantile(0.1) # 获取第 10 百分位数[^1] upper_quantile = df[target_column].quantile(0.6) # 获取第 60 百分位数[^1] # 筛选处于该范围内的数据 filtered_data = df[(df[target_column] >= lower_quantile) & (df[target_column] <= upper_quantile)] print(filtered_data) ``` 以上代码实现了以下功能： - 首先定义了一个名为 `target_column` 的变量，表示要处理的目标列名称。 - 调用了 Pandas 提供的 `.quantile(q)` 函数分别求取目标列的 10% 和 60% 分位数[^1]。 - 构建了布尔条件 `(df[target_column] >= lower_quantile) & (df[target_column] <= upper_quantile)` 来选出满足此区间的行[^3]。 - 将最终结果存储于新的变量 `filtered_data` 并打印出来。 #### 输出解释 运行上述脚本后会得到一个新的数据帧 `filtered_data` ，其中仅保留那些其 `Math_A` 列中的值位于原始分布的 10%-60% 分位区间之内的记录。 --- ###