python - PANDAS Quantiles 根据我们的提问方式给出不同的答案

Question

两天前的一个问题。

当您拥有大量数据时，PANDAS 可以让您在生成统计数据的同时就地过滤内容，因此您不必为所有内容创建新的数据框。现在，我怀疑这样做有细微差别，因为以两种不同的方式做事 - 一种是“智能”方式，一种是“明确”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。 (请注意，这些实际上是采矿设备，但我必须对某些东西进行 sanitizer ，所以我更换了名称)。

                                   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，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% 的分位数远不及这些设备类型的最大值。 另请注意 Blender 分位数数据集中途的“重置”。我之前问过这个问题 Pandas quantiles misbehaving by... getting smaller partway through a range of percentiles?这仍未解决，但我认为这个新问题也将有助于解决该问题。

当我分别考虑分位数时，我得到了更合理的结果。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]) )

我现在得到:

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，以及为什么我对 groupby 的使用会给我如此奇怪、看似随意的结果？ 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) 版本中显然存在一个错误 df.groupby(...).quantile(<array-like>) .那codepath is different甚至在非常简单的例子上似乎也被打破了，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:

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 groupby 和分位数，直到代码被修复，即使在它现在可以工作的情况下也是如此，因为它很可能容易出错。

Blame 还显示了很多相当新鲜的更新(10 个月、16 个月)也完全处理这些代码片段。