Question

我有一组数据和一组用于创建垃圾箱的阈值：

data = np.array([0.01, 0.02, 1, 1, 1, 2, 2, 8, 8, 4.5, 6.6])
thresholds = np.array([0,5,10])
bins = np.digitize(data, thresholds, right=True)

对于bins中的每个元素，我想知道基本百分位数。例如，在bins中，最小的bin应该从第0个百分位开始。然后是下一个箱子，例如，第20百分位数。因此，如果data中的值介于data的第0和第20个百分位之间，则它属于第一个bin。

我调查了大熊猫rank(pct=True)，但似乎无法正确完成。

建议？

Answer 1

您可以计算数据数组中每个元素的百分位数，如上一个StackOverflow问题（Map each list value to its corresponding percentile）中所述。

import numpy as np
from scipy import stats
data = np.array([0.01, 0.02, 1, 1, 1, 2, 2, 8, 8, 4.5, 6.6])

方法1：使用scipy.stats.percentileofscore：

data_percentile = np.array([stats.percentileofscore(data, a) for a in data])
data_percentile
Out[1]:
array([  9.09090909,  18.18181818,  36.36363636,  36.36363636,
        36.36363636,  59.09090909,  59.09090909,  95.45454545,
        95.45454545,  72.72727273,  81.81818182])

方法2：使用scipy.stats.rankdata并标准化为100（更快）：

ranked = stats.rankdata(data)
data_percentile = ranked/len(data)*100
data_percentile
Out[2]:
array([  9.09090909,  18.18181818,  36.36363636,  36.36363636,
        36.36363636,  59.09090909,  59.09090909,  95.45454545,
        95.45454545,  72.72727273,  81.81818182])

现在你有一个百分位列表，你可以像以前一样使用numpy.digitize对它们进行分类：

bins_percentile = [0,20,40,60,80,100]
data_binned_indices = np.digitize(data_percentile, bins_percentile, right=True)
data_binned_indices
Out[3]:
array([1, 1, 2, 2, 2, 3, 3, 5, 5, 4, 5], dtype=int64)

这将根据您选择的百分位列表的索引为您提供数据分类。如果需要，您还可以使用numpy.take返回实际（上限）百分位数：

data_binned_percentiles = np.take(bins_percentile, data_binned_indices)
data_binned_percentiles
Out[4]:
array([ 20,  20,  40,  40,  40,  60,  60, 100, 100,  80, 100])

从numpy数字化计算箱的百分位数？

1 个答案: