Question

为什么会出现这种行为？

基础数据：

In  [1]: tmc_sum.head(6)
Out [1]:               1     2     3     8     9    10
         tmc                                          
         110+05759  7469  7243  7307  7347  7271  7132
         110P05759  7730  7432  7482  7559  7464  7305
         110+05095  7256  6784  6697  6646  6786  6530
         110P05095     0     0     0     0     0     0
         110+05096  6810  5226  5625  5035  5064  4734
         110P05096  6854  5041  5600  5308  5261  4747

前奏：

根据documentation of quantile，这可以正常工作：

In  [2]: tmc_sum.quantile(0.05, axis=1)
Out [2]: 1     3347.50
         2     1882.40
         3     1933.10
         8     1755.00
         9     1554.15
         10    1747.85
         dtype: float64

它按列正确计算第5个百分位数。（请注意，列数多于上面打印的六列。）

问题：

但这并没有像预期的那样发挥作用：

In  [3]: tmc_sum.quantile(0.05, axis=0)
Out [3]: 1     3347.50
         2     1882.40
         3     1933.10
         8     1755.00
         9     1554.15
         10    1747.85
         dtype: float64

该列再次计算。虽然，根据文档，它应该按行计算。所以我倾向于期待这样的事情：

In  [4]: tmc_sum.apply(lambda x: np.percentile(x, 0.05), axis=1).head(6)
Out [4]: tmc
         110+05759    7132.2775
         110P05759    7305.3175
         110+05095    6530.2900
         110P05095       0.0000
         110+05096    4734.7525
         110P05096    4747.7350

这种行为是否可以预料，我错过了什么，或者它是一个错误？

Answer 1

这是0.14.0中的错误（轴关键字被忽略）并在0.14.1中修复（见https://github.com/pydata/pandas/pull/7312）

如果无法升级，您可以使用df.T.quantile(0.5)获得所需的行为。

顺便说一下，axis=1案例不正确。默认值axis=0计算不同列的分位数，axis=1计算每行的“列”。小例子，考虑：

In [3]: df
Out[3]:
   a  b  c
0  0  1  2
1  3  4  5

默认值axis=0：

In [4]: df.quantile(0.5, axis=0)
Out[4]:
a    1.5
b    2.5
c    3.5
dtype: float64

使用axis=1：

In [5]: df.quantile(0.5, axis=1)
Out[5]:
0    1
1    4
dtype: float64

Pandas：DataFrame.quantile轴关键字不起作用

1 个答案: