一句话回答
第 75 百分位数(p75,也叫上四分位数或 Q3)是有 75% 的测量值小于或等于它的那个数,其余 25% 比它大。Google 的核心网页指标按 p75 评判页面:至少 75% 的页面浏览要达到每个指标的良好阈值。
公式: p75 = 排序后位置 (n − 1) × 0.75 + 1 处的值,插值取得(线性方法);等价说法:至少 75% 的值 ≤ p75
第 75 百分位数是什么意思
第 75 百分位数(写作 p75,也叫上四分位数或第三四分位数 Q3)是这样一个数值:全部测量值里有 75% 小于或等于它,另外 25% 比它大。如果某个页面的 p75 加载时间是 2.4 秒,就是说四次访问里有三次在 2.4 秒内加载完,另一次更慢。
它在中位数(第 50 百分位,代表「典型的一次访问」)和第 95、99 百分位(慢的尾部)之间。性能圈喜欢它,是因为它描述的是「大多数访客,包括一部分比较慢的访客」的体验,又不会被少数极端值拉着跑。同一个数可以有两种等价的读法:
- 「p75 不超过阈值」。
- 「至少 75% 的访问在阈值以内」。
怎么算第 75 百分位数:10 个值的复算
示例数据:某个页面 10 次最大内容绘制(LCP)的时间,单位毫秒,已排好序:1,200;1,350;1,500;1,650;1,900;2,100;2,300;2,800;3,900;6,500。
n = 10、p = 0.75 时,没有哪个值正好落在 75% 的位置,所以每种方法都得自己定一条规则。常见的三种给出三个答案:
| 方法 | 规则 | 在排序列表里的位置 | p75 |
|---|---|---|---|
| 最近秩(nearest rank) | 取排名 ceil(n × p) 的值 | ceil(7.5) = 第 8 个 | 2,800 毫秒 |
线性插值(NumPy 默认;Excel PERCENTILE.INC) | 位置 (n − 1) × p + 1,再插值 | 第 7.75 个:2,300 + 0.75 × (2,800 − 2,300) | 2,675 毫秒 |
Weibull / NIST 手册(Excel PERCENTILE.EXC) | 位置 p × (n + 1),再插值 | 第 8.25 个:2,800 + 0.25 × (3,900 − 2,800) | 3,075 毫秒 |
同样 10 个数,三个 p75 从 2,675 到 3,075 毫秒。样本只有 10 个时方法有影响;样本到几千个,三种结果会收敛到只差舍入误差。NIST/SEMATECH 手册把插值规则写成 p(N + 1) = k + d,然后 Y(p) = Y[k] + d × (Y[k + 1] − Y[k]);NumPy 文档写明默认方法是 linear,并按名称列出其他方法。
同一组数据的对照:平均值 2,520 毫秒,中位数 2,000 毫秒,p90 为 4,160 毫秒,p95 为 5,330 毫秒(线性方法)。
为什么核心网页指标(Core Web Vitals)用第 75 百分位数
Google 的核心网页指标,是看一个页面或站点真实页面加载的第 75 百分位数,并且按移动端和桌面端分别看。某个指标「良好」的条件是:至少 75% 的页面浏览达到该指标的良好阈值。阈值是:LCP 不超过 2,500 毫秒,下一次绘制交互(INP)不超过 200 毫秒,累积布局偏移(CLS)不超过 0.1。
web.dev 解释了这个选择:所取的百分位要保证多数访问达到了目标体验,而第 75 百分位比更高的百分位更不容易被异常值带偏。说白了,p75 的要求足够高,站点不可能只靠最快的一半访问过关;又没有极端到让一条不稳定的网络决定结果。
把规则用到示例页面上:10 次加载里有 7 次在 2,500 毫秒以内,良好占 70%,低于 75% 的线。上表里每一个 p75(2,675 到 3,075 毫秒)也都高于 2,500 毫秒。两种看法一致:不管选哪条插值规则,这个页面的 LCP 都不达标。示例数据,已用 Python 复算。
p75 隐藏了什么,保留了什么
现在把最慢的一次 6,500 毫秒换成 20,000 毫秒的超时,重新计算。
| 统计量 | 原始样本 | 加入 20,000 毫秒异常值后 |
|---|---|---|
| 平均值 | 2,520 毫秒 | 3,870 毫秒 |
| 中位数(p50) | 2,000 毫秒 | 2,000 毫秒 |
| p75(线性) | 2,675 毫秒 | 2,675 毫秒 |
| p95(线性) | 5,330 毫秒 | 12,755 毫秒 |
一个极端值让平均值多了 1.3 秒以上、p95 多了 7 秒以上,中位数和 p75 一点没动。这就是用 p75 的实际理由:它不理会最差的那四分之一。同时也意味着,p75 不会对最差的那部分报警。如果最慢的 5% 访问彻底失败(某些地区的支付页超时),p75 仍然是绿的,p95 或错误率却已经红了。把 p75 当作过线标准,再看 p95 和错误数去看尾部。
把慢的那四分之一修好,看 p75 怎么变
只有位于 75% 位置及其以上的那些加载变快,p75 才会改善。把最快的加载再提速,对它没有影响。
示例数据:假设两处优化(缩小首屏大图、预加载字体)把第 8、9、10 次加载降到 2,400;2,450;3,000 毫秒。排好序的列表变成 1,200;1,350;1,500;1,650;1,900;2,100;2,300;2,400;2,450;3,000。线性 p75 从 2,675 降到 2,375 毫秒(第 7.75 个位置:2,300 + 0.75 × 100 = 2,375),10 次加载里有 9 次在 2,500 毫秒以内,良好占 90%。页面现在达标,靠的是挪动了三次慢加载;中位数一点没变。
可以直接用的判断规则:如果 p75 高于阈值,先找出最慢那四分之一访问的共同点(设备、国家、页面、浏览器),再决定改什么,不要一上来就改所有人的体验。
百分位数的常见误区
- 把百分位数取平均。 两天、两个页面或两个国家的 p75,不等于它们各自 p75 的平均值。要用合并后的样本重新算,或者把几组并排比较。
- 混看移动端和桌面端。 核心网页指标按设备类型分别评估。桌面端占多数且很快时,合并后的 p75 会掩盖不达标的移动端用户。
- 相信小样本。 只有 10 次加载时,一个值就能让 p75 移动几百毫秒(见上面的三种方法)。要用几百次加载来判断一个页面,不是几十次。
- 把 p75 读成「75% 的用户」。 它统计的是访问或页面加载的占比,不是人数占比。一个用慢手机的人会贡献很多次慢加载。
- 把 p75 当成实验室数字。 实验室测试是在一台机器上跑一次;百分位数只有在大量真实访问上才有意义。
在 TapCub 里看 p75
还拿上面的示例页面来说:你想知道它的 LCP 是否达标,慢的那四分之一从哪来。
- 打开 监测 › 性能。五张卡片(LCP、CLS、INP、首次内容绘制、首字节时间)的数据来自真实访客的浏览器,不是实验室跑出来的。卡片的统计方式可以在 P95、P75、中位数和平均值之间切换,先看 P75。
- 对照每个指标上显示的良好和较差阈值(LCP:良好不超过 2.5 秒,较差高于 4 秒)。
- 用按 P75 最大内容绘制排序的最慢页面列表,挑出先修哪个页面。
- 按页面、国家、设备、浏览器或操作系统拆分趋势,并把百分位切到 P50、P75、P90 或 P99,看慢的那四分之一是否集中在某个分组里。
- 在花工程时间之前,用漏斗和页面报表看这些慢页面是不是也在流失用户。
要记住的限制:数据来自访客的浏览器,所以脚本被拦截或代码片段太旧时页面会是空的(不会用服务器耗时替代),TapCub 也提示页面样本很少时百分位数会跳动。分步骤的做法见查看 Core Web Vitals;指标本身见最大内容绘制,百分位数的通用定义见百分位数。
资料来源
- web.dev,How the Core Web Vitals metrics thresholds were defined(2020 年 5 月 21 日发布,2025 年 5 月 7 日更新)。
- web.dev,Web Vitals(第 75 百分位,按移动端和桌面端分别统计)。
- NIST/SEMATECH e-Handbook of Statistical Methods,Percentiles。
- NumPy 文档,numpy.percentile(默认
linear方法)。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
