Let’s see how to calculate deciles in Python.
Calculating deciles in Python
To calculate deciles, we need to import the statistics module.
Luckily, there is a dedicated function in the statistics module to calculate deciles.
import statistics as s x = [1, 5, 7, 5, 43, 43, 8, 43, 6, 65, 63, 42, 1, 76, 43, 87, 53, 54] deciles = s.quantiles[x, n=10] print["Deciles are: " + str[deciles]]
See also How to calculate low median in Python?
Mengembalikan kuartil dari sekelompok data. Kuartil sering digunakan dalam data penjualan dan survei untuk membagi populasi ke dalam berbagai kelompok. Misalnya, Anda dapat menggunakan QUARTILE untuk menemukan 25 persen pendapatan teratas dalam sebuah populasi.
Penting: Fungsi ini sudah digantikan oleh satu atau beberapa fungsi baru yang mungkin lebih akurat dan yang namanya lebih mencerminkan penggunaannya. Meskipun fungsi ini masih tersedia untuk kompatibilitas mundur, Anda harus mempertimbangkan menggunakan fungsi baru mulai dari sekarang, karena fungsi ini mungkin tidak tersedia di versi Excel mendatang.
Untuk informasi selengkapnya tentang fungsi baru ini, lihat fungsi QUARTILE.EXC dan fungsi QUARTILE.INC.
Sintaks
QUARTILE[array,quart]
Sintaks fungsi QUARTILE memiliki argumen ini:
Array Diperlukan. Array atau rentang sel nilai numerik yang ingin Anda cari nilai kuartilnya.
Quart Diperlukan. Menunjukkan nilai mana yang harus dikembalikan.
Jika quart sama dengan
QUARTILE mengembalikan
0
Nilai minimum
1
Kuartil pertama [persentil ke-25]
2
Nilai median [persentil ke-50]
3
Kuartil ketiga [persentil ke-75]
4
Nilai maksimum
Keterangan
Jika array kosong, maka QUARTILE mengembalikan #NUM! nilai kesalahan.
Jika quart bukan bilangan bulat, maka dipotong.
Jika quart < 0 atau jika quart > 4, maka QUARTILE mengembalikan #NUM! nilai kesalahan.
MIN, MEDIAN, dan MAX mengembalikan nilai yang sama dengan QUARTILE ketika quart sama dengan 0 [nol], 2, dan 4.
Contoh
Salin contoh data di dalam tabel berikut ini dan tempel ke dalam sel A lembar kerja Excel yang baru. Agar rumus menunjukkan hasil, pilih datanya, tekan F2, lalu tekan Enter. Jika perlu, Anda bisa menyesuaikan lebar kolom untuk melihat semua data.
Persentil digunakan dalam ilmu statistik untuk menjelaskan angka yang nilai persentasenya lebih rendah dari nilai tertentu.
Contoh:
Misalkan kita memiliki sederetan data usia dari semua orang yang tinggal di jalan seperti di bawah ini.
usia = [5,31,43,48,50,41,7,11,15,39,80,82,32,2,8,6,25,36,27,61,31]
Berapa nilai persentil 75 ? Jawabannya adalah 43, yang artinya 75% orang tersebut berusia 43 tahun atau lebih muda.
Let’s see how to find the Quantile and Decile ranks of a column in Pandas. We will be using the qcut[]
function of the pandas
module.
pandas.qcut[]
Pandas library’s function qcut[]
is a Quantile-based discretization function. This means that it discretize the variables into equal-sized buckets based on rank or based on sample quantiles.
Syntax : pandas.qcut[x, q, labels=None, retbins: bool = False, precision: int = 3, duplicates: str = ‘raise’]
Parameters :
- x : 1d ndarray or Series.
- q : Number of quantiles. For example, 10 refers to deciles and 4 refers to quantiles.
- labels : Used as labels for the resulting bins. If it is set as False, it returns only integer indicators of the bins. If True, then it raises an error. By default, it is set to None.
- retbins : [Optional] It is a boolean which returns the [bins, labels] when set to True.
- precision : [Optional] The precision at which to store and display the bins labels.
- duplicates : [Optional] If bin edges are not unique, raise ValueError or drop non-uniques.
Quantile Rank
Algorithm :
- Import
pandas
andnumpy
modules. - Create a dataframe.
- Use
pandas.qcut[]
function, theScore
column is passed, on which the quantile discretization is calculated. Andq
is set to 4 so the values are assigned from 0-3 - Print the dataframe with the quantile rank.
# importing the modules
import
pandas
0
import
pandas
2
pandas
3
pandas
4
pandas
5pandas
6 pandas
7pandas
8 pandas
9qcut[]
0qcut[]
1qcut[]
2qcut[]
1qcut[]
4qcut[]
1qcut[]
6qcut[]
1
qcut[]
8qcut[]
9qcut[]
1pandas
1qcut[]
1pandas
3pandas
4
pandas
5pandas
6 pandas
9pandas
8qcut[]
1numpy
0qcut[]
1numpy
2qcut[]
1numpy
4qcut[]
1numpy
6qcut[]
1numpy
8qcut[]
1pandas.qcut[]
0pandas.qcut[]
1