R中的Quantile()函数 – 简要指南
你可以使用R中的quantile()函数生成样本分位数。
大家好，今天我们将学习如何使用quantile()函数来找到数值的分位数。
分位数：通俗地讲，分位数就是将一个样本分为相等的组或大小。基于这种特性，分位数也被称为分值。在分位数中，第25个百分位称为下四分位数，第50个百分位称为中位数，第75个百分位称为上四分位数。
让我们在下面的部分中看看如何在R中使用quantile()函数的工作原理。
Quantile() 函数的语法
在R中，Quantile()函数的语法是。
quantile(x, probs = , na.rm = FALSE)
哪儿 (nǎ’er)
- X = the input vector or the values
- Probs = probabilities of values between 0 and 1.
- na.rm = removes the NA values.
在R中实现quantile()函数的简单方法
希望你对分位数函数的定义和解释都了解清楚。现在，我们来看看在R中如何使用分位数函数，并通过一个简单的例子来返回输入数据的分位数。
#creates a vector having some values and the quantile function will return the percentiles for the data.
df<-c(12,3,4,56,78,18,46,78,100)
quantile(df)
产出：
0% 25% 50% 75% 100%
3 12 46 78 100
在上述样本中，你可以观察到分位数函数首先将输入值按升序排列，然后返回所需百分位的值。
请注意：分位函数将数据均分为两半，其中中位数作为中间值，低于中位数的部分称为下四分位，高于中位数的部分称为上四分位。
处理缺失值 – “NaN”
NaN的存在随处可见。在这个数据驱动的数字世界中，你可能会更频繁地遇到这些NaN，它们通常被称为缺失值。如果你的数据中存在这些缺失值，你最终可能会在输出中得到NaN或输出错误。
所以，为了处理这些缺失值，我们将使用na.rm函数。这个函数将从我们的数据中移除NA值，并返回真实值。
咱们看看这是怎么工作的。
#creates a vector having values along with NaN's
df<-c(12,3,4,56,78,18,NA,46,78,100,NA)
quantile(df)
输出:
Error in quantile.default(df) :
missing values and NaN's not allowed if 'na.rm' is FALSE
哦，我们遇到了一个错误。如果你猜想是关于NA值的话，那你绝对聪明。如果我们的数据中存在NA值，大多数函数最终会返回NA值本身或者上述提到的错误信息。
好吧，让我们使用na.rm函数来删除这些缺失值。
#creates a vector having values along with NaN's
df<-c(12,3,4,56,78,18,NA,46,78,100,NA)
#removes the NA values and returns the percentiles
quantile(df,na.rm = TRUE)
输出：
0% 25% 50% 75% 100%
3 12 46 78 100
在上面的样本中，你可以看到na.rm函数及其对输出的影响。这个函数将会移除NA值，以避免产生错误的输出。
quantile中的“Probs”参数
正如你在这篇文章的第一部分所看到的，可以看到语法中的probs参数，你可能想知道它的含义和工作原理。嗯，probs参数被传递给quantile函数，以获取特定的或定制的百分位数。
看起来复杂吗？别担心，我会将其简化为简单的术语。 ma? Bié , wǒ huì qí de .)
嗯，每当你使用分位函数时，它会返回标准的百分位数，如25、50和75百分位数。但如果你想要47百分位数或者88百分位数怎么办呢？
这里有一个叫做“概率值”（probs）的论点，你可以指定所需的百分位数来获取它们。
在进入例子之前，你应该了解一些关于probs参数的事情。
可能性：概率或概率参数应处于0和1之间。
这里有一个样本，能说明上述陈述。
这里有一个例子，能够实例说明上述声明。
#creates the vector of values
df<-c(12,3,4,56,78,18,NA,46,78,100,NA)
#returns the quantile of 22 and 77 th percentiles.
quantile(df,na.rm = T,probs = c(22,77))
结果：”只需要一个选项”。
Error in quantile.default(df, na.rm = T, probs = c(22, 77)) :
'probs' outside [0,1]
哦，这是一个错误！
你明白发生了什么事吗？
好吧，问题声明来了。尽管我们在概率参数中提到了正确的值，但它违反了0-1的条件限制。概率参数应包含介于0和1之间的值。
所以，我们需要将22和77转换为0.22和0.77。现在输入值介于0和1之间对吧？希望这样说得清楚。
#creates a vector of values
df<-c(12,3,4,56,78,18,NA,46,78,100,NA)
#returns the 22 and 77th percentiles of the input values
quantile(df,na.rm = T,probs = c(0.22,0.77))
输出：
22% 77%
10.08 78.00
‘未命名’函数及其使用
假设你希望你的代码只返回百分位数而不包含切割点。在这种情况下，你可以使用’ unname ‘函数。
‘unname’函数将删除标题或切分点（0％，25％，50％，75％，100％），并仅返回百分位数。
让我们看看它的运作方式吧！
#creates a vector of values
df<-c(12,3,4,56,78,18,NA,46,78,100,NA)
quantile(df,na.rm = T,probs = c(0.22,0.77))
#avoids the cut-points and returns only the percentiles.
unname(quantile(df,na.rm = T,probs = c(0.22,0.77)))
结果:
10.08 78.00
现在，你可以观察到由未命名函数禁用或移除的切点，并仅返回百分位数。
’round’ 函数及其使用
我们在过去的文章中详细讨论了R中的round函数。现在，我们将使用round函数来四舍五入这些数值。
我们来看看它是如何工作的！
#creates a vector of values
df<-c(12,3,4,56,78,18,NA,46,78,100,NA)
quantile(df,na.rm = T,probs = c(0.22,0.77))
#returns the round off values
unname(round(quantile(df,na.rm = T,probs = c(0.22,0.77))))
输出:
10 78
正如你所看到的，我们的输出值都被舍入到了零位小数。
在数据集中为多个组/列获取分位数。
到目前为止，我们已经讨论了分位函数，它的用途和应用，以及它的参数和如何正确使用它们。
在本节中，我们将获取数据集中多个列的分位数。听起来有趣吗？跟着我来！
我将使用“mtcars”数据集来完成这项任务，并使用“dplyr”库进行操作。
#reads the data
data("mtcars")
#returns the top few rows of the data
head(mtcars)
#install required paclages
install.packages('dplyr')
library(dplyr)
#using tapply, we can apply the function to multiple groups
do.call("rbind",tapply(mtcars$mpg, mtcars$gear, quantile))
输出：按照以下方式用汉语进行翻译（只需要一种选择）：
0% 25% 50% 75% 100%
3 10.4 14.5 15.5 18.400 21.5
4 17.8 21.0 22.8 28.075 33.9
5 15.0 15.8 19.7 26.000 30.4
在上述过程中，我们需要安装’dplyr’包，然后我们将使用tapply和rbind函数来获取mtcars数据集的多个列。
在上面的部分，我们选择了mtcars数据集中的多个列，例如’mpg’和’gear’列。像这样，我们可以计算数据集中多个组的分位数。
我们可以将百分位数进行可视化吗？
我的答案是绝对肯定的！这个问题的最佳方案将是一个箱线图。让我拿鸢尾花数据集来尝试可视化箱线图，并展示百分位数。
我们出发吧！
data(iris)
head(iris)
这是包含前6个值的鸢尾花数据集。
让我们通过名为“概要”的函数来探索数据。
summary(iris)
在上面的图像中，你可以看到均值、中位数、第一四分位数（25th百分位数）、第三四分位数（75th百分位数）以及最小值和最大值。让我们通过一个箱线图来绘制这些信息。
咱们一起做吧！ zuò ba!)
#plots a boxplot with labels
boxplot(iris$Sepal.Length,main='The boxplot showing the percentiles',col='Orange',ylab='Values',xlab='Sepal Length',border = 'brown',horizontal = T)
一个箱型图可以展示数据的许多方面。下图中，我已经提到了由箱型图表示的特定值。这将为您节省一些时间，并以最好的方式促进您的理解。
在R中的Quantile()函数 – 收尾工作
嗯，我觉得这是一篇较长的文章。我尽力通过多个例子和插图来解释和探索R中的quantile()函数在多个维度上的应用。quantile函数在数据分析中是最有用的函数，因为它能有效地提供关于给定数据的更多信息。
希望你对R中的quantile()函数周围的热议有了很好的理解。就目前而言，就这些了。我们将会带来更多美妙的函数和R编程的主题。在那之前请保重，祝你愉快地进行数据分析！
更多学习：R文档。
