如何使用python计算一列数据相对于另一列的百分位排名答案

【问题标题】：How to calculate a percentile ranking of a column of data relative to another column using python如何使用python计算一列数据相对于另一列的百分位排名
【发布时间】：2017-08-26 00:32:34
【问题描述】：

我有两列代表相同数量的数据；一列来自我的训练数据，另一列来自我的验证数据。

我知道如何有效地计算训练数据的百分位排名：

pandas.DataFrame(training_data).rank(pct = True).values

我的问题是，我如何有效地获得验证数据列相对与训练数据列相似的百分位排名？也就是说，对于验证数据列中的每个值，我怎样才能找到它的百分位排名相对于训练数据列中的所有值？

我试过这样做：

def percentrank(input_data,comparison_data):
    rescaled_data = np.zeros(input_data.size)
    for idx,datum in enumerate(input_data):
        rescaled_data[idx] =scipy.stats.percentileofscore(comparison_data,datum)
    return rescaled_data/100

但我不确定这是否正确，除此之外它非常慢，因为它为 for 循环中的每个值进行了大量冗余计算。

任何帮助将不胜感激！

【问题讨论】：

标签： python pandas quantile percentile

【解决方案1】：

对上述不错的解决方案的一个小改进是对通过从左侧搜索和从右侧搜索找到的位置进行平均：

df_validation['Rank_Pct'] = (0.5 + 0.5*df_train.Values.searchsorted(df_validation.Values, side='left') + 0.5*df_train.Values.searchsorted(df_validation.Values, side='right'))*pct_increment

在一个值多次出现的情况下，此更改很重要。考虑在 [1,2,2,2,4] 中搜索 2 - 从左侧搜索得到 1，而从右侧搜索得到 3。将两者平均得到与 pandas .rank(pct=True) 相同的百分位排名例行公事。

【讨论】：

【解决方案2】：

这里有一个解决方案。对训练数据进行排序。然后对验证数据使用 searchsorted。

import pandas as pd
import numpy as np

# Generate Dummy Data
df_train = pd.DataFrame({'Values': 1000*np.random.rand(15712)})

#Sort Data
df_train = df_train.sort_values('Values')

# Calculating Rank and Rank_Pct for demo purposes 
#but note that it is not needed for the solution
# The ranking of the validation data below does not depend on this
df_train['Rank'] = df_train.rank()
df_train['Rank_Pct']= df_train.Values.rank(pct=True)

# Demonstrate how Rank Percentile is calculated
# This gives the same value as .rank(pct=True)
pct_increment = 1./len(df_train)
df_train['Rank_Pct_Manual'] = df_train.Rank*pct_increment

df_train.head()

       Values  Rank  Rank_Pct  Rank_Pct_Manual
2724  0.006174   1.0  0.000064         0.000064
3582  0.016264   2.0  0.000127         0.000127
5534  0.095691   3.0  0.000191         0.000191
944   0.141442   4.0  0.000255         0.000255
7566  0.161766   5.0  0.000318         0.000318

现在使用 searchsorted 来获取 Rank_Pct 的验证数据

# Generate Dummy Validation Data
df_validation = pd.DataFrame({'Values': 1000*np.random.rand(1000)})

# Note searchsorted returns array index. 
# In sorted list rank is the same as the array index +1
df_validation['Rank_Pct'] = (1 + df_train.Values.searchsorted(df_validation.Values))*pct_increment

这是最终 df_validation 数据帧的前几行：

print df_validation.head()
      Values  Rank_Pct
0  307.378334  0.304290
1  744.247034  0.744208
2  669.223821  0.670825
3  149.797030  0.145621
4  317.742713  0.314218

【讨论】：