web-dev-qa-db-ja.com

特定のパーセンタイルを超えるすべてのデータを排除する

pandas DataFrameと呼ばれるdataと呼ばれる列を持つmsがあります。data.msは95%パーセンタイルを超えています。今のところ、私はこれをやっています:

limit = data.ms.describe(90)['95%']
valid_data = data[data['ms'] < limit]

動作しますが、それを任意のパーセンタイルに一般化したいです。それを行う最良の方法は何ですか?

30
Roy Smith

Series.quantile() メソッドを使用します。

In [48]: cols = list('abc')

In [49]: df = DataFrame(randn(10, len(cols)), columns=cols)

In [50]: df.a.quantile(0.95)
Out[50]: 1.5776961953820687

dfの行を除外するにはdf.aは、95番目の百分位数以上です。

In [72]: df[df.a < df.a.quantile(.95)]
Out[72]:
       a      b      c
0 -1.044 -0.247 -1.149
2  0.395  0.591  0.764
3 -0.564 -2.059  0.232
4 -0.707 -0.736 -1.345
5  0.978 -0.099  0.521
6 -0.974  0.272 -0.649
7  1.228  0.619 -0.849
8 -0.170  0.458 -0.515
9  1.465  1.019  0.966
63
Phillip Cloud

numpyはPandasよりもはるかに高速です。

numpy.percentile(df.a,95) # attention : the percentile is given in percent (5 = 5%)

は同等ですが、次の3倍の速度です。

df.a.quantile(.95)  # as you already noticed here it is ".95" not "95"

あなたのコードのために、それは与える:

df[df.a < np.percentile(df.a,95)]
25
2diabolos.com