计算每个元素相对于其列的百分位分数

Question

那么我的NumPy数组是这样的

npfinal = 
    [[1, 3, 5, 0, 0, 0],
    [5, 2, 4, 0, 0, 0],
    [7, 7, 2, 0, 0, 0],
    .
    .
    .

我正在使用的样本数据集是25k行。

前3列包含有意义的数据，其余为百分位数的占位符。

所以我需要a[0][0] 相对于a[0][3]中的整个第一列的百分位数。所以1的百分位数在列[1,5,7，…]

我的第一次尝试是:

import scipy.stats as ss
...
numofcols = 3
for row in npfinal:
    for i in range(0,numofcols):
        row[i+numofcols] = int(round(ss.percentileofscore(npfinal[:,i], row[i])))

但是这花费了太多的时间;在一个完整的数据集上，这是不可能的。

我对这么大的数据集的计算世界很陌生，所以任何形式的帮助都会很感激。

Answer 1

我找到了一个解决方案，我相信当数组中有重复的值时效果更好:

import numpy as np
from scipy import stats
# some array with repeated values:
M = np.array([[1, 7, 2], [5, 2, 2], [5, 7, 2]])    
# calculate percentiles applying scipy rankdata to each column:
percentile = np.apply_along_axis(sp.stats.rankdata, 0, M, method='average')/len(M)

np。Argsort解决方案的问题是，它给相同值的重复不同的百分位数。例如，如果你有:

percentile_argsort = np.argsort(np.argsort(M, axis=0), axis=0) / float(len(M)) * 100
percentile_rankdata = np.apply_along_axis(sp.stats.rankdata, 0, M, method='average')/len(M)

两种不同的方法将输出结果:

M
array([[1, 7, 2],
       [5, 2, 2],
       [5, 7, 2]])
percentile_argsort
array([[  0.        ,  33.33333333,   0.        ],
       [ 33.33333333,   0.        ,  33.33333333],
       [ 66.66666667,  66.66666667,  66.66666667]])
percentile_rankdata
array([[ 0.33333333,  0.83333333,  0.66666667],
       [ 0.83333333,  0.33333333,  0.66666667],
       [ 0.83333333,  0.83333333,  0.66666667]])

Answer 2

您可以通过对数组进行排序并将结果索引除以总行数(假设NumPy可用)来计算百分位数:

import numpy as np
M = np.array([[1, 3, 5], [5, 2, 4], [7, 7, 2]])
percentile = np.argsort(np.argsort(M, axis=0), axis=0) / float(len(M)) * 100
print "M:n", M
print "percentile:n", percentile

输出:

M:
[[1 3 5]
 [5 2 4]
 [7 7 2]]
percentile:
[[  0.          33.33333333  66.66666667]
 [ 33.33333333   0.          33.33333333]
 [ 66.66666667  66.66666667   0.        ]]

现在只需要将结果和原始数组连接起来。