使用带有加权数据的describe() - 平均值,标准差,中位数,分位数

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,我会事先道歉.(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).我想对其中一个字段(称为anninc [年收入的简称])执行一些基本的描述性统计.

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),表示在分析期间应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,pandas中是否有类似的加权选项？

Answer 1

有统计和计量经济学库（statsmodels）似乎可以处理这个问题。下面是扩展@ MSeifert的答案的例子在这里上过类似的问题。

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

我不使用 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，如果您指定aw（分析权重）而不是fw（频率权重），则给出的答案略有不同。此外，stata 要求fw是整数，而DescrStatsW允许非整数权重。权重更复杂的比你想象的......这是开始进入杂草，但权重的问题，计算的标准偏差的大讨论在这里。

另请注意，DescrStatsW似乎不包括 min 和 max 的函数，但只要您的权重不为零，这应该不是问题，因为权重不会影响 min 和 max。但是，如果您确实有一些零权重，那么对 min 和 max 加权可能会很好，但在 Pandas 中计算也很容易：

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