Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Percentiles et quartiles

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 2 sur 64.

Un percentile découpe des données triées : le 25e se situe au quart du parcours, le 50e est la médiane. Neuf temps d’escape game :

Neuf temps d’escape game représentés par des points sur une ligne, de 38 à 95 secondes. Des lignes indiquent Q1 à 45, Q2 à 52 et Q3 à 61, et une boîte ombrée de Q1 à Q3 est étiquetée moitié centrale, IQR de 16

Les points de découpage en quarts sont les quartiles Q1, Q2 et Q3. np.percentile(a, q) accepte q entre 0 et 100, ou une liste :

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

Cela affiche :

[45. 52. 61.]

La moitié centrale s’étend de Q1 à Q3 ; sa largeur est l’écart interquartile, Q3 - Q1 : 16 secondes.

Fixez le temps le plus lent à 950 : l’IQR reste à 16. Faites-lui confiance lorsqu’une caractéristique présente des valeurs extrêmes.

challenge icon

Défi

Facile

Un client demande comment sa consommation d'eau se compare à celle des 20 foyers de sa rue. use contient la consommation en litres des foyers, et le programme lit celle du client. Affichez :

  1. Les quartiles de use : Q1, la médiane, Q3.
  2. L’IQR.
  3. Le quartile du client : 1 s’il est en dessous de Q1, 2 s’il est en dessous de la médiane, 3 s’il est en dessous de Q3, sinon 4.

Pour une rue de 12 foyers et la valeur saisie 172 :

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

Essayez vous-même

import numpy as np

# Litres d’eau utilisés hier par chaque foyer
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())

# Écrivez votre code ci-dessous
quiz iconTestez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Toutes les leçons de Statistiques pour le ML

1Centre et dispersion

Moyenne et médianePercentiles et quartilesVariance et écart-typeÉchantillon ou population ?La valeur la plus fréquenteRécapitulatif : délais de livraison

4Échantillons et populations

Population et échantillonLes moyennes d’échantillon varientLa distribution d’échantillonnageDes échantillons plus grands, moins de bruitRécapitulatif : sonder une ville

7Droites de tendance

RésidusAjustement par les moindres carrésTracer la droite d’ajustementPrédire avec une droiteQualité de l’ajustementRécapitulatif : heures de pratique

10Encodage des catégories

Les catégories sous forme de nombresEncodage one-hotRegrouper les nombres en intervallesRécapitulatif : annonces de voitures

2Distributions

Histogrammes de densitéFormes des donnéesLa courbe normaleLa règle des 68-95-99,7Scores zRécapitulatif : autonomie de la batterie

5Valeurs aberrantes

Diagrammes en boîteLa règle de l’écart interquartileLa règle du score ZTraiter les valeurs aberrantesRécapitulatif : anomalies des capteurs

8Comparer des groupes

Diagrammes en boîte par groupeDifférence entre les moyennesEst-ce dû au hasard ?Valeurs pLe test tRécapitulatif : test A/B

11Explorer un jeu de données

Un premier aperçuToutes les caractéristiques à la foisCaractéristiques et étiquetteLes deux meilleures caractéristiquesRécapitulatif : données sur le diabète

3Les probabilités par simulation

La probabilité comme fréquenceLa loi des grands nombresSommes de désEspérance mathématiqueProbabilité conditionnelleRécapitulatif : les chances au stand de dés

6Relations

Lire des nuages de pointsCorrélationMatrice de corrélationCartes thermiques de corrélationCorrélation n’est pas causalitéRécapitulatif : glace et soleil

9Mise à l’échelle des caractéristiques

Pourquoi mettre les caractéristiques à l’échelleMise à l’échelle Min-MaxStandardisationStandardScalerRécapitulatif : partenaires d’escalade

12Défis finaux

Retards des trainsQualité de l’airChimie du vinEnquête en clinique

Entraînez-vous par vous-même : Compilateur Python en ligne