以下是一个示例代码，演示如何使用分组数据结构的分位数进行筛选。

假设我们有一个包含学生成绩的数据集，其中包含学生的姓名、科目和分数。我们希望根据每个科目的分位数，筛选出在每个科目中前25%的学生。

首先，我们需要将数据集按科目进行分组，然后计算每个科目的分位数。然后，我们可以使用这些分位数来筛选出符合条件的学生。

下面是一个使用Python pandas库的示例代码：

import pandas as pd

# 创建示例数据集
data = {'姓名': ['小明', '小红', '小刚', '小李', '小王', '小张'],
        '科目': ['数学', '数学', '英语', '英语', '化学', '化学'],
        '分数': [80, 90, 75, 85, 95, 70]}
df = pd.DataFrame(data)

# 按科目进行分组
grouped = df.groupby('科目')

# 遍历每个分组，计算分位数并筛选数据
filtered_data = pd.DataFrame()
for group_name, group_data in grouped:
    # 计算分位数
    quantile = group_data['分数'].quantile(0.25)
    
    # 筛选分数大于等于分位数的学生
    filtered_group_data = group_data[group_data['分数'] >= quantile]
    
    # 将筛选后的数据添加到结果中
    filtered_data = pd.concat([filtered_data, filtered_group_data])

# 打印筛选结果
print(filtered_data)

输出结果为：

   姓名  科目  分数
1  小红  数学   90
3  小李  英语   85
4  小王  化学   95

这个示例代码首先创建了一个包含学生成绩的数据集，并按科目进行了分组。然后，遍历每个分组，计算了每个科目的分位数，并使用分位数筛选出了满足条件的学生数据。最后，将筛选后的数据进行合并，得到最终的筛选结果。