teradataml.dataframe.sql.DataFrameColumn.percentile = percentile(self, percentile, distinct=False, interpolation='LINEAR', as_time_series_aggregate=False, **kwargs)

DESCRIPTION:
    Function to get the percentile values for a column.
 
PARAMETERS:
    percentile:
        Required Argument.
        Specifies the desired percentile value to calculate.
        It should be between 0 and 1, both inclusive.
        Types: float
 
    distinct:
        Optional Argument.
        Specifies a flag that decides whether to consider duplicate values in
        a column or not.
        Note: "distinct" is insignificant if percentile is calculated
              as regular aggregate i.e., "as_time_series_aggregate" is
              set to False.
        Default Values: False
        Types: bool
 
    interpolation:
        Optional Argument.
        Specifies the interpolation type to use to interpolate the result value when the
        desired result lies between two data points.
        The desired result lies between two data points, i and j, where i<j. In this case,
        the result is interpolated according to the permitted values.
        Permitted Values for time series aggregate:
            * LINEAR: Linear interpolation.
                The result value is computed using the following equation:
                    result = i + (j - i) * (di/100)MOD 1
                Specify by passing "LINEAR" as string to this parameter.
            * LOW: Low value interpolation.
                The result value is equal to i.
                Specify by passing "LOW" as string to this parameter.
            * HIGH: High value interpolation.
                The result value is equal to j.
                Specify by passing "HIGH" as string to this parameter.
            * NEAREST: Nearest value interpolation.
                The result value is i if (di/100 )MOD 1 <= .5; otherwise, it is j.
                Specify by passing "NEAREST" as string to this parameter.
            * MIDPOINT: Midpoint interpolation.
                 The result value is equal to (i+j)/2.
                 Specify by passing "MIDPOINT" as string to this parameter.
        Permitted Values for regular aggregate:
            * LINEAR: Linear interpolation.
                Percentile is calculated after doing linear interpolation.
            * None:
                Percentile is calculated with no interpolation.
        Default Values: "LINEAR"
        Types: str
 
    as_time_series_aggregate:
        Optional Argument.
        Specifies a flag that decides whether percentiles are being calculated
        as regular aggregate or time series aggregate. When it is set to False, it'll
        be executed as regular aggregate, if set to True; then it is used as time series
        aggregate.
        Default Values: False
        Types: bool
 
    kwargs:
        Specifies optional keyword arguments.
 
RETURNS:
     ColumnExpression
 
RAISES:
    RuntimeError - If column does not support the aggregate operation.
 
EXAMPLES:
    # Load the data to run the example.
    >>> load_example_data("dataframe", ["admissions_train", "ocean_buoys"])
    >>>
    # Create a DataFrame on 'admissions_train' table.
    >>> admissions_train = DataFrame("admissions_train")
    >>> admissions_train
       masters   gpa     stats programming  admitted
    id
    22     yes  3.46    Novice    Beginner         0
    36      no  3.00  Advanced      Novice         0
    15     yes  4.00  Advanced    Advanced         1
    38     yes  2.65  Advanced    Beginner         1
    5       no  3.44    Novice      Novice         0
    17      no  3.83  Advanced    Advanced         1
    34     yes  3.85  Advanced    Beginner         0
    13      no  4.00  Advanced      Novice         1
    26     yes  3.57  Advanced    Advanced         1
    19     yes  1.98  Advanced    Advanced         0
    >>>
    # Create a DataFrame on 'ocean_buoys' table.
    >>> ocean_buoys = DataFrame("ocean_buoys")
    >>> ocean_buoys
                           TD_TIMECODE  salinity  temperature
    buoyid
    1       2014-01-06 09:02:25.122200        55         78.0
    44      2014-01-06 10:00:24.333300        55         43.0
    44      2014-01-06 10:00:25.122200        55         43.0
    2       2014-01-06 21:01:25.122200        55         80.0
    2       2014-01-06 21:03:25.122200        55         82.0
    0       2014-01-06 08:00:00.000000        55         10.0
    0       2014-01-06 08:08:59.999999        55          NaN
    0       2014-01-06 08:09:59.999999        55         99.0
    2       2014-01-06 21:02:25.122200        55         81.0
    44      2014-01-06 10:00:24.000000        55         43.0
    >>>
 
    # Example 1: Calculate the 25th percentile of temperature in ocean_buoys table,
    #            with LINEAR interpolation.
    >>> ocean_buoys_grpby1 = ocean_buoys.groupby_time(timebucket_duration="10m", value_expression="buoyid", fill="NULLS")
    >>> ocean_buoys_grpby1.assign(True, temperature_percentile_=ocean_buoys_grpby1.temperature.percentile(0.25))
       temperature_percentile_
    0                       43
    >>>
 
    # Example 2: Calculate the 35th percentile of gpa in admissions_train table,
    #            with LINEAR interpolation.
    >>> admissions_train_grpby = admissions_train.groupby("admitted")
    >>> admissions_train_grpby.assign(True, percentile_cont_=admissions_train_grpby.gpa.percentile(0.35))
       admitted  percentile_cont_
    0         0             3.460
    1         1             3.565
    >>>
 
    # Example 3: Calculate the 45th percentile of gpa in admissions_train table,
    #            with no interpolation.
    >>> admissions_train_grpby = admissions_train.groupby("admitted")
    >>> admissions_train_grpby.assign(True, percentile_disc_=admissions_train_grpby.gpa.percentile(0.35, interpolation=None))
       admitted  percentile_disc_
    0         0              3.46
    1         1              3.57
    >>>