Question

我对python和pandas（使用SAS作为我的主力分析平台）相当新，所以如果已经被问到/已经回答过，我会提前道歉。（我搜索了文档以及这个网站搜索答案，但还没找到。）

我有一个包含受访者级别调查数据的数据框（称为resp）。我想在其中一个字段上执行一些基本的描述性统计（称为anninc [年收入的简称]）。

resp["anninc"].describe()

这给了我基本的统计数据：

count     76310.000000
mean      43455.874862
std       33154.848314
min           0.000000
25%       20140.000000
50%       34980.000000
75%       56710.000000
max      152884.330000
dtype: float64

但是有一个问题。鉴于样本是如何构建的，需要对响应数据进行权重调整，以便在执行分析时不会将每个数据视为“相等”。我在数据框中有另一列（称为tufnwgrp），它表示在分析过程中应该应用于每条记录的权重。

在我之前的SAS生活中，大多数proc都有选项来处理具有这样权重的数据。例如，标准proc单变量给出相同的结果看起来像这样：

proc univariate data=resp;
  var anninc;
  output out=resp_univars mean=mean median=50pct q1=25pct q3=75pct min=min max=max n=count;
run;

使用加权数据的相同分析看起来像这样：

proc univariate data=resp;
  var anninc;
  weight tufnwgrp;
  output out=resp_univars mean=mean median=50pct q1=25pct q3=75pct min=min max=max n=count
run;

对于像describe（）等方法的pandas，是否有类似的加权选项？

Answer 1

有统计数据和计量经济学库（statsmodels）似乎可以解决这个问题。这是一个在类似问题上扩展@ MSeifert的答案here的例子。

df=pd.DataFrame({ 'x':range(1,101), 'wt':range(1,101) })

from statsmodels.stats.weightstats import DescrStatsW
wdf = DescrStatsW(df.x, weights=df.wt, ddof=1) 

print( wdf.mean )
print( wdf.std )
print( wdf.quantile([0.25,0.50,0.75]) )

67.0
23.6877840059
p
0.25    50
0.50    71
0.75    87

我没有使用SAS，但这给出了与stata命令相同的答案：

sum x [fw=wt], detail

Stata实际上有一些权重选项，在这种情况下，如果指定aw（分析权重）而不是fw（频率权重），则会给出稍微不同的答案。此外，stata要求fw为整数，而DescrStatsW允许非整数权重。权重比你想象的要复杂得多......这已经开始进入杂草，但是对于计算标准差here的加权问题进行了很好的讨论。

另请注意，DescrStatsW似乎不包含min和max的函数，但只要您的权重不为零，这不应该是一个问题，因为权重不会影响min和最大。但是，如果你确实有一些零权重，加权最小值和最大值可能会很好，但它在熊猫中也很容易计算：

df.x[ df.wt > 0 ].min()
df.x[ df.wt > 0 ].max()

使用带有加权数据的describe（） - 平均值，标准差，中位数，分位数

1 个答案: