Menu
CoddyTech
JETZT LERNEN
flag De iconDeutschdown icon

Perzentile und Quartile

Teil des Abschnitts Statistik für ML der Machine Learning-Journey von Coddy. Lektion 2 von 64.

Ein Perzentil teilt sortierte Daten: Das 25. liegt ein Viertel des Weges nach oben, das 50. ist der Median. Neun Escape-Room-Zeiten:

Neun Escape-Room-Zeiten als Punkte auf einer Linie, von 38 bis 95 Sekunden. Linien markieren Q1 bei 45, Q2 bei 52 und Q3 bei 61, und ein schattiertes Kästchen von Q1 bis Q3 ist mit mittlere Hälfte, IQR von 16 beschriftet

Die Schnitte in Viertel sind die Quartile Q1, Q2 und Q3. np.percentile(a, q) nimmt q von 0 bis 100 oder eine Liste entgegen:

times = np.array([52, 38, 61, 45, 70, 41, 95, 58, 49])
print(np.percentile(times, [25, 50, 75]))

Dies wird ausgegeben:

[45. 52. 61.]

Die mittlere Hälfte reicht von Q1 bis Q3; ihre Breite ist der Interquartilsabstand, Q3 - Q1: 16 Sekunden.

Setze die langsamste Zeit auf 950: Der IQR bleibt bei 16. Vertraue ihm, wenn ein Merkmal Extremwerte aufweist.

challenge icon

Aufgabe

Einfach

Ein Kunde fragt, wie sein Wasserverbrauch im Vergleich zu den 20 Haushalten seiner Straße abschneidet. use enthält den Wasserverbrauch der Haushalte in Litern, und das Programm liest den Verbrauch des Kunden ein. Gib Folgendes aus:

  1. Die Quartile von use: Q1, den Median, Q3.
  2. Den IQR.
  3. Das Quartil des Kunden: 1 bei einem Wert unter Q1, 2 bei einem Wert unter dem Median, 3 bei einem Wert unter Q3, andernfalls 4.

Für eine Straße mit 12 Haushalten und der Eingabe 172:

Quartiles: 157.5, 170.5, 183.5 liters
IQR: 26.0 liters
This home is in quarter 3

Probier es selbst

import numpy as np

# Liter Wasser, die jeder Haushalt gestern verbraucht hat
use = np.array([312, 285, 410, 198, 356, 274, 520, 301, 289, 345,
                262, 398, 230, 610, 327, 295, 368, 251, 334, 280])
liters = int(input())

# Schreibe deinen Code unten
quiz iconTeste dich selbst

Diese Lektion enthält ein kurzes Quiz. Starte die Lektion, um es zu beantworten und deinen Fortschritt zu speichern.

Alle Lektionen in Statistik für ML

1Lage und Streuung

Mittelwert und MedianPerzentile und QuartileVarianz und StandardabweichungStichprobe oder Grundgesamtheit?Der häufigste WertRückblick: Lieferzeiten

4Stichproben und Grundgesamtheiten

Grundgesamtheit und StichprobeStichprobenmittelwerte variierenDie StichprobenverteilungGrößere Stichproben, weniger ZufallRückblick: Eine Stadt befragen

7Trendlinien

ResiduenAnpassung nach der Methode der kleinsten QuadrateDie Anpassungslinie zeichnenMit einer Linie Vorhersagen treffenWie gut ist die Anpassung?Rückblick: Übungsstunden

10Kategorien codieren

Kategorien als ZahlenOne-Hot-EncodingZahlen in Intervalle einteilenRückblick: Autoanzeigen

2Verteilungen

DichtehistogrammeDatenverteilungenDie NormalverteilungskurveDie 68-95-99,7-RegelZ-WerteRückblick: Akkulaufzeit

5Ausreißer

BoxplotsDie IQR-RegelDie Z-Score-RegelUmgang mit AusreißernRückblick: Sensorfehler

8Gruppen vergleichen

Boxplots nach GruppenUnterschied der MittelwerteKönnte es Zufall sein?p-WerteDer t-TestRückblick: A/B-Test

11Einen Datensatz erkunden

Ein erster BlickAlle Merkmale auf einmalMerkmale im Vergleich zum LabelDie zwei besten MerkmaleRückblick: Diabetesdaten

3Wahrscheinlichkeit durch Simulation

Wahrscheinlichkeit als HäufigkeitDas Gesetz der großen ZahlenAugensummen beim WürfelnErwartungswertBedingte WahrscheinlichkeitRückblick: Gewinnchancen am Würfelstand

6Zusammenhänge

Streudiagramme lesenKorrelationKorrelationsmatrixKorrelations-HeatmapsKorrelation ist keine KausalitätRückblick: Eiscreme und Sonne

9Merkmalsskalierung

Warum Merkmale skalierenMin-Max-SkalierungStandardisierungStandardScalerRückblick: Kletterpartner

12Abschließende Herausforderungen

ZugverspätungenLuftqualitätWeinchemieKlinikumfrage

Übe selbstständig: Online-Python-Compiler