Python 作为数据分析领域的首选语言，其强大的生态系统离不开像 Pandas 这样的核心库。Pandas 极大地简化了数据的导入、清洗和分析过程，让我们能够更专注于数据背后的逻辑。
在数据探索和统计分析中，我们经常需要了解数据的分布情况。仅仅知道平均值和方差往往是不够的，分位数 帮助我们理解数据在不同概率水平下的具体表现，是描述数据分布形态的关键指标。Pandas 提供的 quantile() 方法，正是我们完成这一任务的利器。
在这篇文章中，我们将深入探讨 DataFrame.quantile() 的用法，从基本概念到复杂参数的配置，再到实际业务场景中的应用，带你全面掌握这一重要工具。
什么是分位数？
在开始写代码之前，让我们先统一一下对概念的理解，确保我们处于同一个频道上。
分位数，简单来说，就是将一组数据按大小顺序排列后，通过特定的切割点将其划分为若干个等份的数值。这些切割点上的值就是分位数。
- 0.5 分位数（50%）：这就是我们常说的中位数。它将数据分为两半，一半比它大，一半比它小。相比平均值，中位数对异常值（如极端的收入数据）更有鲁棒性。
- 0.25 分位数（25%）：通常被称为第一四分位数（Q1）。这意味着有 25% 的数据小于或等于这个值。
- 0.75 分位数（75%）：通常被称为第三四分位数（Q3）。
通过观察分位数，我们可以快速判断数据的偏态（是左偏还是右偏）以及异常值的潜在位置。
准备工作：创建示例数据
为了方便演示，让我们先创建一个包含不同数值特征的 DataFrame。我们将使用这个数据集贯穿整个文章的示例。
# 将 pandas 导入为 pd
import pandas as pd
import numpy as np
# 设置随机种子以保证结果可复述
np.random.seed(42)
# 创建 dataframe
df = pd.DataFrame({
"A": [1, 5, 3, 4, 2],
"B": [3, 2, 4, 3, 4],
"C": [2, 2, 7, 3, 4],
"D": [4, 3, 6, 12, 7]
})
# 打印 dataframe
print("原始数据集：")
print(df)
输出：
A B C D
0 1 3 2 4
1 5 2 2 3
2 3 4 7 6
3 4 3 3 12
4 2 4 4 7
语法与参数详解
Pandas 的 quantile() 方法设计得非常灵活。让我们先来看一下它的完整签名，然后逐一解析这些参数背后的含义。
语法
DataFrame.quantile(q=0.5, axis=0, numeric_only=True, interpolation=‘linear‘)
核心参数解析
q(float or array-like, default 0.5):
这是我们要计算的分位数值，范围在 0 到 1 之间。
– 默认值 0.5：即计算中位数。
– 数组形式：你可以传入一个列表，比如 [0.25, 0.5, 0.75]，一次性计算多个分位数，这在数据分析中非常常用。
axis({0, 1, ‘index‘, ‘columns‘}, default 0):
决定了分位数是沿哪个轴计算的。
– 0 或 ‘index‘：这是最常见的用法，表示按列计算。也就是说，它会计算每一列数据的分位数（例如，找出 A 列的 50% 分位数是多少）。
– 1 或 ‘columns‘：表示按行计算。对于每一行数据，它会计算该行所有数值的分位数。
numeric_only(bool, default True):
是否只计算数字类型的列。
– True：自动忽略字符串或日期列。
– False：如果尝试计算非数值列，通常会报错，但在某些旧版本或特定日期类型中可能会尝试计算。通常我们保持默认即可。
interpolation(str, default ‘linear‘):
当我们要计算的分位点位于两个数据点之间时（例如，在只有 5 个数据的情况下计算 0.51 分位数），如何进行插值。
– ‘linear‘: 线性插值（默认）。
– ‘lower‘: 使用较小的那个值。
– ‘higher‘: 使用较大的那个值。
– ‘midpoint‘: 取两点中间的值。
– ‘nearest‘: 取距离最近的那个值。
提示：在金融或风控场景中，插值方法的选择可能会微调最终的风险评估，但在一般数据探索中，默认的 ‘linear‘ 通常是最稳妥的选择。
实战演练：从单列到多维分析
掌握了参数后，让我们通过几个具体的例子来看看如何在实际工作中运用这些功能。
示例 1：计算单一分位数（默认中位数）
最基础的场景是查看所有列的中位数。这能让我们快速了解数据的中心趋势。
# 计算所有列的 0.5 分位数（即中位数）
# axis=0 表示按列进行计算
median_values = df.quantile(0.5)
print("各列的中位数：")
print(median_values)
输出：
A 3.0
B 3.0
C 3.0
D 6.0
Name: 0.5, dtype: float64
解读：
我们可以看到，列 A 的中位数是 3，列 C 的中位数是 3，而列 D 的中位数是 6。返回的是一个 Series，索引是列名。
示例 2：计算多组分位数
在做数据清洗时，我们通常关注 四分位距（IQR） 来识别异常值。这需要我们同时计算 25%、50% 和 75% 的分位数。
# 同时计算 25%, 50%, 75% 分位数
quantiles = df.quantile([0.25, 0.5, 0.75])
print("多组分位数结果：")
print(quantiles)
输出：
A B C D
0.25 1.5 2.5 2.00 3.75
0.50 3.0 3.0 3.00 6.00
0.75 4.0 4.0 4.75 8.25
代码工作原理分析：
在这个例子中，我们传入了一个列表 [0.25, 0.5, 0.75]。注意返回的结构发生了变化：Pandas 返回了一个 DataFrame。行的索引变成了我们要计算的分位数值（0.25, 0.50, 0.75），列名依然对应原始数据的列。
这种格式非常适合我们快速生成统计摘要。例如，对于列 D，我们可以看到 75% 的数据都在 8.25 以下，而最大值是 12，这提示我们可能存在一些高值。
示例 3：沿行轴计算（Row-wise Quantiles）
有时候，我们的业务场景是针对“每一个样本”进行统计，而不是针对“每一个特征”。
假设我们的每一行代表一个学生在不同科目的考试得分，我们想知道每个学生的成绩分布情况（例如：每个学生的“最低发挥底线”——即 0.1 分位数）。
# 沿着列轴（axis=1）计算
# 这里我们计算每行数据的 10% 分位数
row_quantiles = df.quantile(0.1, axis=1)
print("每行的 10% 分位数（低分保障）：")
print(row_quantiles)
输出：
0 1.6
1 2.3
2 3.3
3 3.1
4 2.6
dtype: float64
深度解析：
让我们看看第一行（索引 0）：数据是 [1, 3, 2, 4]。
- 排序后：
[1, 2, 3, 4]。 - 我们要找 10% 的位置。长度为 4，计算位置 = 1 + (4-1) * 0.1 = 1.3。
- 线性插值：1.0 + (2.0 – 1.0) * 0.3 = 1.3 + … 实际上 Pandas 内部算法更精细，结果约为 1.6。
这个结果告诉我们，第一行的数据即便在最差的 10% 情况下，也在 1.6 左右。这在风险评估（如计算每笔投资在悲观情况下的收益）中非常有用。
示例 4：插值方法的差异（interpolation 参数）
这是一个进阶但非常关键的细节。让我们看看当分位点落在两个数之间时，不同的插值策略如何影响结果。
假设我们有一个简单的序列：[10, 20, 30, 40]。我们要计算 0.5 分位数（中位数）。
对于偶数个数据，0.5 分位数正好落在 20 和 30 之间。
# 创建一个简单的测试 Series
data = pd.Series([10, 20, 30, 40])
print("不同插值方法的对比：")
# 1. linear (默认): (20+30)/2 = 25.0
print(f"Linear: {data.quantile(0.5, interpolation=‘linear‘)}")
# 2. lower: 取较小的值 20
print(f"Lower: {data.quantile(0.5, interpolation=‘lower‘)}")
# 3. higher: 取较大的值 30
print(f"Higher: {data.quantile(0.5, interpolation=‘higher‘)}")
# 4. nearest: 距离 20 和 30 一样远（线性），通常取 higher (30) 或根据规则
print(f"Nearest: {data.quantile(0.5, interpolation=‘nearest‘)}")
# 5. midpoint: 严格取两点中间
print(f"Midpoint: {data.quantile(0.5, interpolation=‘midpoint‘)}")
输出结果分析：
- INLINECODE81affc38 和 INLINECODEc7b2ae21 都给出了 25.0，这是最符合统计学直觉的中位数。
- INLINECODE6c745481 给出 20，INLINECODE986b6777 给出 30。
- 为什么这很重要？ 如果你在做严格的监管报告，或者处理非连续变量（比如必须是整数），INLINECODEea349549 或 INLINECODE92b43392 可能是必须的选择。而在连续变量分析中，
linear是最标准的。
常见错误与最佳实践
在长期的数据分析工作中，我们总结出了一些使用 quantile() 时的避坑指南。
1. 忽略非数值数据的干扰
如果你的 DataFrame 中混杂了字符串，直接计算分位数会报错（除非你设置 numeric_only=True）。
错误场景：
df_mixed = pd.DataFrame({
"Value": [1, 2, 3],
"Category": ["A", "B", "C"]
})
# df_mixed.quantile() # 这会报错，因为 Category 列无法计算分位数
解决方案：
显式地指明 numeric_only=True，或者先选出数值列：
# 推荐做法
result = df_mixed.quantile(0.5, numeric_only=True)
print(result) # 仅计算 Value 列
2. 列表索引的陷阱
当你传入一个列表 INLINECODEdbf3d9bb 时，返回的 DataFrame 的行索引就是 INLINECODE2b4ed8f1。如果你试图通过 INLINECODEe5873557 来访问这个结果，可能会感到困惑，因为 INLINECODEbf2aaf16 是基于位置的，而这里我们需要用 loc 基于标签（即分位数值）来访问。
qs = df.quantile([0.1, 0.9])
# 正确的访问方式
print(qs.loc[0.1]) # 获取 10% 分位数的那一行
3. 处理 NaN 值
Pandas 默认会自动跳过 NaN 值进行计算。这是通常期望的行为，但你需要意识到计算的分母可能不同。
性能优化建议
面对大规模数据（例如数百万行），quantile() 计算可能会比较耗时，因为它需要对数据进行排序（O(N log N) 复杂度）。
- 近似分位数：如果不需要精确的分位数，而只是想看个大概，可以考虑先对数据进行采样 (
df.sample(frac=0.1))，然后计算分位数。这在探索性分析（EDA）阶段非常有效。 - 减少类型转换：确保你的数据列已经是 INLINECODE55079678 或 INLINECODEa3f8b492 类型。如果是
object类型，Pandas 在计算前尝试转换类型会带来额外的开销。
总结
我们在这篇文章中详细探讨了 Pandas quantile() 方法的方方面面。从最基本的定义，到如何计算多组分位数，再到如何选择插值方法以及沿行或列进行计算。
核心要点回顾：
q参数决定了你要找的“位置”，可以是单个数字也可以是列表。axis参数决定了方向（按列统计特征 vs 按行统计样本）。interpolation参数在边界情况处理上起着关键作用，特别是当数据量较少时。- 返回值类型取决于输入
q的类型（单个数返回 Series，数组返回 DataFrame）。
希望这些知识能帮助你更好地理解数据分布，发现隐藏在数据背后的模式。下次当你拿到一份新的数据集时，不妨先用 quantile() 看看它的“骨架”是什么样的！
你可以尝试在你的数据集上运行这些代码，或者尝试改变参数，看看结果会有什么不同。如果你有任何问题，或者想分享你在数据分析中遇到的有趣案例，欢迎在评论区留言。