PANDAS Quantiles 不同的答案取决于我们如何提问

Question

两天前的新问题。

当您拥有大量数据时，PANDAS 可以让您在生成统计信息的同时就地过滤数据，因此您不必为所有数据创建新的数据框。现在，我怀疑这样做有细微差别，因为做事有两种不同的方式——一种是“聪明”的方式，一种是“明确”的方式，给了我非常不同的答案，一种显然是正确的（明确的），一个显然是错误的（聪明的方法）。

有人可以指出我所缺少的方向吗？

这里是详细信息。

我有 250 万行数据，描述了一系列不同设备类型的故障时间。其中两个的描述性统计数据如下。 （注意这些实际上是采矿设备，但我必须对某些东西进行消毒，所以我已经替换了名称。

                                   Count        Min        Mean          Max
CC_CauseLocationEquipmentType                                           
Coffee Machines                    204136  0.000556   71.797146  23407.41667
Blenders                            52424  0.008333  750.880591  23077.79167

如果我尝试获取设备故障时间的分位数，请使用

print(df2.groupby("CC_CauseLocationEquipmentType").quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]))

然后我看到以下分位数。

                                            CC_TBF
CC_CauseLocationEquipmentType                     
Coffee Machines               0.10000     0.005556
                              0.25000     0.238889
                              0.50000     1.775000
                              0.75000     2.595833
                              0.90000     4.611389
                              0.95000     7.008125
                              0.99000    15.465278
                              0.99999    21.089619    <-- Nowhere near the max of 23407.41667
Blenders                      0.10000    57.731806
                              0.25000   394.004375
                              0.50000     0.288889
                              0.75000     7.201528
                              0.90000    51.015667
                              0.95000    83.949833
                              0.99000   123.148019
                              0.99999   133.708716    <-- Nowhere near the max of 23077.79167

这显然是不正确的，因为 99.999% 的分位数远未接近这些设备类型的最大值。 还要注意 Blender 分位数数据集中途的“重置”。我之前问过这个 Pandas quantiles misbehaving by... getting smaller partway through a range of percentiles?这仍然没有解决，但我认为这个新问题也将有助于解决这个问题。

当我单独考虑分位数时，我会得到更合理的结果。使用以下代码：

print("Quantiles - type by type - Coffee Machines")
df3=df2.loc[df2['CC_CauseLocationEquipmentType'] == "Coffee Machines"]
print(df3.quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]) )

print("Quantiles - type by type - Blenders")
df3=df2.loc[df2['CC_CauseLocationEquipmentType'] == "Blenders"]
print(df3.quantile([.1, .25, .5, .75,0.9,0.95,0.99,0.99999]) )

我现在明白了：

Quantiles - type by type - Coffee Machines
               CC_TBF
0.10000      0.120556
0.25000      0.608333
0.50000      2.040556
0.75000      3.494514
0.90000     18.047917
0.95000    129.798403
0.99000   1644.764861
0.99999  23003.517729   <-- Pretty darn close to the max of 23407
Quantiles - type by type - Blenders
               CC_TBF
0.10000      0.226111
0.25000      0.941667
0.50000     37.924167
0.75000    388.554444
0.90000   1955.252500
0.95000   4301.835320
0.99000  11362.310594
0.99999  22831.372845   <--- pretty darn close to the max of 23077

谁能告诉我为什么这两种不同的方法会产生如此不同的结果，以及为什么我使用groupby 会给我带来如此奇怪、看似武断的结果？ groupby 是否以某种方式使用了与我在第二种“显式”方法中所做的不同的完整数据子集？

Answer 1

非常有趣。至少在我的 Pandas (0.25.1) 版本中，df.groupby(...).quantile(<array-like>) 显然存在一个错误。 codepath is different 似乎被打破了，即使是在非常简单的例子上，比如：

df = pd.DataFrame(
    {"A": [0., 0., 0.], "B": ["X", "Y", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])

虽然它适用于 2 元素版本一：

df = pd.DataFrame(
    {"A": [0., 0.], "B": ["X", "Y"]}
)
result = df.groupby("B").quantile([0.5, 0.9])

我会避免在类似数组的对象上使用带有分位数的 groupby，直到代码得到修复，即使它现在可以工作，因为它可能容易出错。

Blame 还显示了很多相当新鲜的更新（10 个月、16 个月），也正是在处理这些代码。

Answer 2

在@alexander-pivovarov 的回答中，您看不到分位数在这两个示例中的作用。每组只有零且只有一个元素，因此结果始终为零。还是我错了？

我有 pandas 0.25.3 并获得有用的结果

import pandas as pd

df = pd.DataFrame(
    {"A": [1., 2., 3., 4., 5., 6.], "B": ["X", "X", "Y", "Y", "Z", "Z"]}
)
result = df.groupby("B").quantile([0.5, 0.9])
print(result)

输出：

        A
B         
X 0.5  1.5
  0.9  1.9
Y 0.5  3.5
  0.9  3.9
Z 0.5  5.5
  0.9  5.9

如果它适用于传递给quantiles() 的单个数字，您可以破解类似的东西

q = [0.2, 0.5, 0.9]
res = [df.groupby("B").quantile(_).loc['X', 'A'] for _ in q]

df_q = pd.DataFrame({'A':res, 'quantiles':q})

print(df_q)

输出：

     A  quantiles
0  1.2        0.2
1  1.5        0.5
2  1.9        0.9

直到它被修复。