主要介绍了使用python 计算百分位数实现数据分箱代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

通常，箱线图根据第 25 和第 75 个百分位数之间的距离绘制最大长度的胡须。 此脚本使用箱线图，但绘制指定百分位数的须线，并且仅绘制新须线以外的异常值。 请注意，百分位数定义为刚好超出计算百分位数的数据点。 例如，如果第 98 个百分位数位于第 4 个和第 5 个最高数据点之间，则第 4 个最高数据点将被视为第 98 个百分位数，晶须将延伸到第 4 个最高值，并且只有 4 个最高值将被绘制为异常值.

这个想法是在一些数据示例中更加强调与其他人通过给予更多的权重。 例如，我们可以给予较低的权重异常值。 编写此函数的动机是计算百分位数对于一些模拟非常糟糕的蒙特卡罗模拟（就模拟值和实际值之间的拟合优度）比其他值和根据一些拟合优度标准给出较低的权重。 用法： y = WPRCTILE(X,p) % 这与PRCTILE相同y = WPRCTILE(X,p,w) y = WPRCTILE(X,p,w,type) 输入： X - 样本数据的向量或矩阵p - 标量或百分比值介于 0 和 100 之间的向量 w - 样本数据的正权重向量。 w 的长度必须等于 X 的行数或列数。如果权重相等，则 WPRCTILE 与 PRCTILE 相同。 type - 4 到 9 之间的整数，选择 6 种分位数算法之一。 输出： y - X 中值的百分位数当 X 是向量时，y 与 p 的大小相同，并且 y(i)

在某些科学著作中，一旦从感兴趣的人群中收集数据，通常很难了解数据以无组织方式呈现时的含义。 将原始数据组合成有意义的形式，例如频率分布，可以使数据更容易理解和解释。 正是在频率分布的上下文中，遇到了以简洁的方式传达包含在数据中的数字信息的重要性。 因此，分组数据是已被组织成称为类的组的数据。 可以通过构建一个显示变量频率分布的表格（其值在原始数据集中给出）来组织原始数据集。 这种频率表通常称为分组数据。 在这里，我们开发了一个 m 代码来计算分组数据的百分位数。 可以在列形式矩阵中输入包含频率计数和 hist m 函数的 bin 位置的返回或修改向量 n 和 xout。 百分位数计算使用直截了当的公式， P = L + I*(N*P/100 - C)/F 在哪里： L = 包含百分位数的区间的下限I = 包含百分位数的区间的宽度N = 数据总数P = 感兴趣的百分位数C =

给Mysql加自定义函数计算百分位数（percentile）。-附件资源

脚本的第一行包含一个示例数据集。 该脚本将计算此数据集的基本统计信息： 吝啬的1-sigma（标准偏差） 中位数第一个四分位数（第 25 个百分位数） 第二个四分位数（第 50 个百分位数） 第三四分位数（第 75 个百分位数） 第 k 个百分位智商标准识别码