如何在Python中利用Pandas计算分组后的中位数及四分位数？-Python教程-PHP中文网

用groupby().agg()可一次性计算中位数和四分位数，需配合pd.Series.quantile指定0.25、0.5、0.75分位点，默认method='linear'；避免apply()性能损耗，注意小样本插值差异及NaN自动处理。

如何在python中利用pandas计算分组后的中位数及四分位数？

用 `groupby().agg()` 一次性算中位数和四分位数

直接调 groupby().median() 只能得中位数，但四分位数（q1、q3）没现成方法。得靠 agg() 配合 numpy.quantile 或 pandas.Series.quantile 手动指定分位点。

注意：quantile 默认插值方式是 'linear'，和 Excel 的 QUARTILE.INC 一致；若需和 R 的 quantile(type=7) 对齐，得显式传 interpolation='linear'（Pandas 2.1+ 已改名 method='linear'）。

q1 对应 0.25，q3 对应 0.75，中位数就是 0.5
传入函数时别写 lambda x: x.quantile(0.5) —— 这样会丢失组内索引对齐，优先用 pd.Series.quantile 或 np.quantile
若列含 NaN，quantile 默认跳过，无需额外 dropna=True

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'category': ['A', 'A', 'B', 'B', 'B'],
    'value': [1, 3, 2, 4, 6]
})

result = df.groupby('category')['value'].agg([
    ('median', lambda x: x.quantile(0.5)),
    ('q1', lambda x: x.quantile(0.25)),
    ('q3', lambda x: x.quantile(0.75))
])

避免 `apply()` 带来性能陷阱

apply() 看起来灵活，但对大分组容易变慢——它把每组转成 Series 再逐个调函数，而 agg() 底层可向量化执行部分操作。

别写 df.groupby('cat').apply(lambda g: g['val'].quantile([0.25, 0.5, 0.75]))，返回结构难对齐，且无法利用 Pandas 对 quantile 的优化
如果必须用 apply（比如要同时算多个统计量并打包成字典），记得加 result_type='expand'，否则返回的是 Series of ndarray，后续难处理
超过 10 万行、百级分组时，agg 比 apply 快 2–5 倍，差异明显

处理多列分组 + 多指标的命名冲突

当按多个列分组（如 groupby(['cat1', 'cat2'])），再对多个数值列（如 ['val1', 'val2']）同时算中位数和四分位数，列名会嵌套或重复，容易混淆。

Python Hardener

通过完整的安全审查、代码整洁重构、健壮的错误处理、正确的日志记录以及完整的文档字符串覆盖，强化 Python 脚本。

下载

用 agg({col: [('q1', lambda x: x.quantile(0.25)), ...] for col in cols}) 显式控制每列的输出名
结果列名是 MultiIndex，取值时用 result[('val1', 'q1')]，不是 result['val1_q1']
若想展平列名，加 result.columns = ['_'.join(col).strip() for col in result.columns.values]，但注意下划线可能和原始列名冲突