import numpy as np X=np.array([-35,10,20,30,40,50,60,100]) k=25 Xk=np.percentile(X,k,interpolation='linear') Nx=X.shape[0] indices=1+(Nx-1)*k/100 print(indices,Xk)
numpy.array 数组介绍python中数组（numpy.array）的基本操作_fu6543210的博客-CSDN博客_np.array 为什么要用numpy Python中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。 Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组(在TensorFlow里面偏向于矩阵理解)，也...https://blog.csdn.net/fu6543210/article/details/83240024
numpy.percentile
在python中计算一个多维数组的任意百分比分位数，此处的百分位是从小到大排列，只需用np.percentile即可
shape[0]：对数组说，为其长度
对于图像来说：
img.shape[0]：图像的垂直尺寸（高度）
img.shape[1]：图像的水平尺寸（宽度）
img.shape[2]：图像的通道数
对于矩阵来说：
shape[0]：表示矩阵的行数
shape[1]：表示矩阵的列数
02离中趋势 1、极差（Range）R=max-min
2、四分位数极差（InterQuartile Range，IQR）IQR=Q3-Q1 （第三四分位数-第一四分位数）
反映集合中间50%数据的变动范围
可用于发现离群点（outlier）:超过Q3+1.5IQR或者低于Q1-1.5IQR可能是离群点
3、平均绝对离差（MAD）MAD=1/nΣ|xi-x|
由于带有绝对值，很少使用
4、方差和标准差（Variance and Absolute Deviation）总体标准差 σ
样本方差 s^2=Σ（xi-x）^2/(n-1)
标准差 s=sqrt（ s^2）
5、离散系数（变异系数）C=s/x~ (标准差÷平均值)
注意：只对由比率标度属性计算出来的数值有意义（身高、体重、工资）
离散系数越大，说明差异越大
03分布形态1、偏度
2、峰度
04数据可视化
1、箱形图
2、偏度峰度
