时间戳

首页 > 解决方案 > 百分位数 pandas 与 scala 的错误在哪里？

python - 百分位数 pandas 与 scala 的错误在哪里？

问题描述

对于数字列表

val numbers = Seq(0.0817381355303346, 0.08907955219917718, 0.10581384008994665, 0.10970915785902469, 0.1530743353025532, 0.16728932033107657, 0.181932212814931, 0.23200826752868853, 0.2339654613723784, 0.2581657775305527, 0.3481071101229365, 0.5010850992326521, 0.6153244818101578, 0.6233250409474894, 0.6797744231690304, 0.6923891392381571, 0.7440316016776881, 0.7593186414698002, 0.8028091068764153, 0.8780699052482807, 0.8966649331194205)

python /pandas计算以下百分位数：

25%     0.167289
50%     0.348107
75%     0.692389

但是，scala 返回：

calcPercentiles(Seq(.25, .5, .75), sortedNumber.toArray)

25% 0.1601818278168149
50% 0.3481071101229365
75% 0.7182103704579226

这些数字几乎匹配 - 但不同。我怎样才能摆脱差异（并且很可能修复我的 scala 代码中的错误？

val sortedNumber = numbers.sorted

import scala.collection.mutable
case class PercentileResult(percentile:Double, value:Double)

// https://github.com/scalanlp/breeze/blob/master/math/src/main/scala/breeze/stats/DescriptiveStats.scala#L537
def calculatePercentile(arr: Array[Double], p: Double)={
    // +1 so that the .5 == mean for even number of elements.
    val f = (arr.length + 1) * p
    val i = f.toInt
    if (i == 0) arr.head
    else if (i >= arr.length) arr.last
    else {
      arr(i - 1) + (f - i) * (arr(i) - arr(i - 1))
    }
  }

 def calcPercentiles(percentiles:Seq[Double], arr: Array[Double]):Array[PercentileResult] = {
    val results = new mutable.ListBuffer[PercentileResult]
    percentiles.foreach(p => {
      val r = PercentileResult(percentile = p, value = calculatePercentile(arr, p))
      results.append(r)
    })
    results.toArray
  }

Python：

 import pandas as pd

df = pd.DataFrame({'foo':[0.0817381355303346, 0.08907955219917718, 0.10581384008994665, 0.10970915785902469, 0.1530743353025532, 0.16728932033107657, 0.181932212814931, 0.23200826752868853, 0.2339654613723784, 0.2581657775305527, 0.3481071101229365, 0.5010850992326521, 0.6153244818101578, 0.6233250409474894, 0.6797744231690304, 0.6923891392381571, 0.7440316016776881, 0.7593186414698002, 0.8028091068764153, 0.8780699052482807, 0.8966649331194205]})
display(df.head())
df.describe()

标签： pythonpandasscalanumpypercentile

解决方案

经过一番反复试验，我编写了这段代码，它返回与 Pandas 相同的结果（使用线性插值，因为这是 pandas 的默认值）：

def calculatePercentile(numbers: Seq[Double], p: Double): Double = {
  // interpolate only - no special handling of the case when rank is integer
  val rank = (numbers.size - 1) * p
  val i = numbers(math.floor(rank).toInt)
  val j = numbers(math.ceil(rank).toInt)
  val fraction = rank - math.floor(rank)
  i + (j - i) * fraction
}

从那我会说错误就在这里：

(arr.length + 1) * p

0 的百分位数应为 0，100% 处的百分位数应为最大指数。

所以对于numbers( .size == 21) 那将是索引0和20。但是，对于 100%，您将获得 22 的索引值 - 大于数组的大小！如果不是这些保护条款：

else if (i >= arr.length) arr.last

你会得到错误，你可能会怀疑有什么问题。也许代码的作者：

https://github.com/scalanlp/breeze/blob/master/math/src/main/scala/breeze/stats/DescriptiveStats.scala#L537

使用了不同的百分位数定义......（？）或者他们可能只是有一个错误。我不能说。

顺便说一句：这个：

def calcPercentiles(percentiles:Seq[Double], arr: Array[Double]): Array[PercentileResult]

像这样写可能会容易得多：

def calcPercentiles(percentiles:Seq[Double], numbers: Seq[Double]): Seq[PercentileResult] =
  percentiles.map { p =>
    PercentileResult(p, calculatePercentile(numbers, p))
  }

推荐阅读