PANDAS 根据我们的提问方式分位数不同的答案
PANDAS Quantiles different answer depending on how we ask it
两天前的新问题。
当您拥有大量数据时，PANDAS 可以让您在生成统计信息的同时就地过滤内容，因此您不必为所有内容创建新的数据框。现在，我怀疑这样做有细微差别，因为以两种不同的方式做事——一种是 'smart' 方式，一种是 'explicit' 方式，给了我非常不同的答案，一种显然是正确的（明确的），一个显然是错误的（聪明的方式）。
谁能指出我所缺少的方向。
这是详细信息。
我有 250 万行数据，描述了一系列不同设备类型的故障时间。其中两个的描述性统计数据如下。 （请注意，这些实际上是挖矿设备，但我必须清理一些东西，所以我已经替换了名称）。
Count Min Mean Max
CC_CauseLocationEquipmentType
Coffee Machines 204136 0.000556 71.797146 23407.41667
Blenders 52424 0.008333 750.880591 23077.79167
如果我尝试获取设备故障时间的分位数，使用
print(df2.groupby("CC_CauseLocationEquipmentType").quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]))
然后我看到以下分位数。
CC_TBF
CC_CauseLocationEquipmentType
Coffee Machines 0.10000 0.005556
0.25000 0.238889
0.50000 1.775000
0.75000 2.595833
0.90000 4.611389
0.95000 7.008125
0.99000 15.465278
0.99999 21.089619 <-- Nowhere near the max of 23407.41667
Blenders 0.10000 57.731806
0.25000 394.004375
0.50000 0.288889
0.75000 7.201528
0.90000 51.015667
0.95000 83.949833
0.99000 123.148019
0.99999 133.708716 <-- Nowhere near the max of 23077.79167
这显然是不正确的，因为 99.999% 的分位数与这些设备类型的最大值相去甚远。 还要注意 'reset' Blender 分位数数据集的中途。我之前问过这个问题
Pandas quantiles misbehaving by... getting smaller partway through a range of percentiles? 这仍然没有解决，但我认为这个新问题也将有助于解决那个问题。
当我单独考虑分位数时，我得到了更合理的结果。使用以下代码：
print("Quantiles - type by type - Coffee Machines")
df3=df2.loc[df2['CC_CauseLocationEquipmentType'] == "Coffee Machines"]
print(df3.quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]) )
print("Quantiles - type by type - Blenders")
df3=df2.loc[df2['CC_CauseLocationEquipmentType'] == "Blenders"]
print(df3.quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]) )
我现在得到：
Quantiles - type by type - Coffee Machines
CC_TBF
0.10000 0.120556
0.25000 0.608333
0.50000 2.040556
0.75000 3.494514
0.90000 18.047917
0.95000 129.798403
0.99000 1644.764861
0.99999 23003.517729 <-- Pretty darn close to the max of 23407
Quantiles - type by type - Blenders
CC_TBF
0.10000 0.226111
0.25000 0.941667
0.50000 37.924167
0.75000 388.554444
0.90000 1955.252500
0.95000 4301.835320
0.99000 11362.310594
0.99999 22831.372845 <--- pretty darn close to the max of 23077
谁能告诉我为什么这两种不同的方法会产生如此不同的结果，为什么我使用 groupby 会得到如此奇怪、看似武断的结果？ groupby 是否以某种方式使用了与我在第二种 "explicit" 方法中所做的不同的完整数据子集？
非常有趣。至少在我使用 df.groupby(...).quantile(<array-like>) 的 Pandas (0.25.1) 版本中显然存在一个错误。 codepath is different 甚至在非常简单的示例中似乎也被打破了，例如：
df = pd.DataFrame(
{"A": [0., 0., 0.], "B": ["X", "Y", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
虽然它适用于 2 元素版本：
df = pd.DataFrame(
{"A": [0., 0.], "B": ["X", "Y"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
我会避免在类似数组的对象上使用 groupby 和分位数，直到代码被修复，即使在它现在可以工作的情况下也是如此，因为它很可能容易出错。
Blame 还显示了很多相当新鲜的更新（10 个月、16 个月）也正是处理这些代码片段。
在@alexander-pivovarov 的回答中，您在两个示例中都看不到分位数在起作用。只有零，每个组只有一个元素，所以结果总是零。还是我错了？
我有 pandas 0.25.3 并获得了
的有用结果
import pandas as pd
df = pd.DataFrame(
{"A": [1., 2., 3., 4., 5., 6.], "B": ["X", "X", "Y", "Y", "Z", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
print(result)
输出：
A
B
X 0.5 1.5
0.9 1.9
Y 0.5 3.5
0.9 3.9
Z 0.5 5.5
0.9 5.9
如果它与传递给 quantiles() 的单个数字一起使用，您可以破解类似
的内容
q = [0.2, 0.5, 0.9]
res = [df.groupby("B").quantile(_).loc['X', 'A'] for _ in q]
df_q = pd.DataFrame({'A':res, 'quantiles':q})
print(df_q)
输出：
A quantiles
0 1.2 0.2
1 1.5 0.5
2 1.9 0.9
直到修复。
两天前的新问题。
当您拥有大量数据时，PANDAS 可以让您在生成统计信息的同时就地过滤内容，因此您不必为所有内容创建新的数据框。现在，我怀疑这样做有细微差别，因为以两种不同的方式做事——一种是 'smart' 方式，一种是 'explicit' 方式，给了我非常不同的答案，一种显然是正确的（明确的），一个显然是错误的（聪明的方式）。
谁能指出我所缺少的方向。
这是详细信息。
我有 250 万行数据，描述了一系列不同设备类型的故障时间。其中两个的描述性统计数据如下。 （请注意，这些实际上是挖矿设备，但我必须清理一些东西，所以我已经替换了名称）。
Count Min Mean Max
CC_CauseLocationEquipmentType
Coffee Machines 204136 0.000556 71.797146 23407.41667
Blenders 52424 0.008333 750.880591 23077.79167
如果我尝试获取设备故障时间的分位数，使用
print(df2.groupby("CC_CauseLocationEquipmentType").quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]))
然后我看到以下分位数。
CC_TBF
CC_CauseLocationEquipmentType
Coffee Machines 0.10000 0.005556
0.25000 0.238889
0.50000 1.775000
0.75000 2.595833
0.90000 4.611389
0.95000 7.008125
0.99000 15.465278
0.99999 21.089619 <-- Nowhere near the max of 23407.41667
Blenders 0.10000 57.731806
0.25000 394.004375
0.50000 0.288889
0.75000 7.201528
0.90000 51.015667
0.95000 83.949833
0.99000 123.148019
0.99999 133.708716 <-- Nowhere near the max of 23077.79167
这显然是不正确的，因为 99.999% 的分位数与这些设备类型的最大值相去甚远。 还要注意 'reset' Blender 分位数数据集的中途。我之前问过这个问题 Pandas quantiles misbehaving by... getting smaller partway through a range of percentiles? 这仍然没有解决，但我认为这个新问题也将有助于解决那个问题。
当我单独考虑分位数时，我得到了更合理的结果。使用以下代码：
print("Quantiles - type by type - Coffee Machines")
df3=df2.loc[df2['CC_CauseLocationEquipmentType'] == "Coffee Machines"]
print(df3.quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]) )
print("Quantiles - type by type - Blenders")
df3=df2.loc[df2['CC_CauseLocationEquipmentType'] == "Blenders"]
print(df3.quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]) )
我现在得到：
Quantiles - type by type - Coffee Machines
CC_TBF
0.10000 0.120556
0.25000 0.608333
0.50000 2.040556
0.75000 3.494514
0.90000 18.047917
0.95000 129.798403
0.99000 1644.764861
0.99999 23003.517729 <-- Pretty darn close to the max of 23407
Quantiles - type by type - Blenders
CC_TBF
0.10000 0.226111
0.25000 0.941667
0.50000 37.924167
0.75000 388.554444
0.90000 1955.252500
0.95000 4301.835320
0.99000 11362.310594
0.99999 22831.372845 <--- pretty darn close to the max of 23077
谁能告诉我为什么这两种不同的方法会产生如此不同的结果，为什么我使用 groupby 会得到如此奇怪、看似武断的结果？ groupby 是否以某种方式使用了与我在第二种 "explicit" 方法中所做的不同的完整数据子集？
非常有趣。至少在我使用 df.groupby(...).quantile(<array-like>) 的 Pandas (0.25.1) 版本中显然存在一个错误。 codepath is different 甚至在非常简单的示例中似乎也被打破了，例如：
df = pd.DataFrame(
{"A": [0., 0., 0.], "B": ["X", "Y", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
虽然它适用于 2 元素版本：
df = pd.DataFrame(
{"A": [0., 0.], "B": ["X", "Y"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
我会避免在类似数组的对象上使用 groupby 和分位数，直到代码被修复，即使在它现在可以工作的情况下也是如此，因为它很可能容易出错。
Blame 还显示了很多相当新鲜的更新（10 个月、16 个月）也正是处理这些代码片段。
在@alexander-pivovarov 的回答中，您在两个示例中都看不到分位数在起作用。只有零，每个组只有一个元素，所以结果总是零。还是我错了？
我有 pandas 0.25.3 并获得了
的有用结果import pandas as pd
df = pd.DataFrame(
{"A": [1., 2., 3., 4., 5., 6.], "B": ["X", "X", "Y", "Y", "Z", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
print(result)
输出：
A
B
X 0.5 1.5
0.9 1.9
Y 0.5 3.5
0.9 3.9
Z 0.5 5.5
0.9 5.9
如果它与传递给 quantiles() 的单个数字一起使用，您可以破解类似
q = [0.2, 0.5, 0.9]
res = [df.groupby("B").quantile(_).loc['X', 'A'] for _ in q]
df_q = pd.DataFrame({'A':res, 'quantiles':q})
print(df_q)
输出：
A quantiles
0 1.2 0.2
1 1.5 0.5
2 1.9 0.9
直到修复。