Question

我有一个pandas数据帧（称之为数据），其分类和连续值如下所示：

INDEX  AGE  SEX  INCOME  COUNTRY  INSTANCE_WEIGHT
1      25   M    30000   USA      120
2      53   F    42000   FR       95
3      37   F    22000   USA      140
4      18   M    0       FR       110
.
.
.
15000  29  F     39000   USA      200

实例权重表示由于分层抽样，每个记录所代表的人口数量。

我想要做的是将每个变量的分布绘制成直方图。问题是我不能只绘制当前数据帧的直方图，因为它不代表实际分布。为了具有代表性，我必须在绘制它之前将每一行乘以其intance_weight。这个问题听起来很容易，但我无法找到一个很好的方法。

解决方案是复制每一行instance_weight次，但实际数据帧为300k行，instance_weight约为1000。

这是我现在的代码，用于绘制每列的直方图。

fig = plt.figure(figsize=(20,70))
cols = 4
rows = ceil(float(data.shape[1]) / cols)
for i, column in enumerate(data.drop(["instance_weight","index"], axis=1).columns):
    ax = fig.add_subplot(rows, cols, i + 1)
    ax.set_title(column)
    # Check if data categorical or not
    if data.dtypes[column] == np.object:
        data[column].value_counts().plot(kind="bar", axes=ax,
                                         alpha=0.8, color=sns.color_palette(n_colors=1))
    else:
        data[column].hist(axes=ax, alpha=0.8)
        plt.xticks(rotation="vertical")
plt.subplots_adjust(hspace=1, wspace=0.2)

现在如何考虑体重？

Answer 1

您应该使用matplotlib 'hist' function的'weights'参数，该参数也可以通过pandas 'plot' function使用。

在您的示例中，要按权重变量“ INSTANCE_WEIGHT”绘制变量“ AGE”的分布，您应该这样做：

df["AGE"].plot(kind="hist", weights=df["INSTANCE_WEIGHT"])

大熊猫直方图的权重

1 个答案: