python - Python 中具有大量组的 Anova 测试

Question

我有一个相对较大的数据集(大约 273,744 条记录)，其中包含人名和他们使用的屈光度:

Name   | Dioptric | Gender | Town |
-----------------------------------
'John' |  0.25    |   M    |  A   |
'Jack' |  0.5     |   M    |  C   |
'John' |  25      |   M    |  A   |
'Mary' |  0.25    |   F    |  C   |
........

我需要找出姓名和屈光度之间是否存在相关性。我决定使用方差分析测试，因为有一个类别变量和一个定量变量。我的问题是数据集包含大量名称屈光组(大约 21,000 个)，因此我不太确定如何实现

stats.f_oneway( Name_Dioptrics_GroupA, Name_Dioptrics_GroupB,....)

到目前为止我所做的是:

• 从 csv 中将数据导入为 numpy 数据框
• 尝试根据名称屈光进行分组

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scipy.stats as stats

# read data
data = pd.read_csv("dioptrics-to-name.csv")

# prepare data
dioptrics = data['value']
name = data['firstName']

"""
group based on name-dioptrics power
"""
name_dioptric_frame = pd.DataFrame({"Name":name,"dioptrics":dioptrics})
name_dioptrics_groups = name_dioptric_frame.groupby("Name").groups

## break into name-dioptrics groups
## name_dioptrics_GroupA = dioptrics[name_dioptrics_groups["John"]]
## name_dioptrics_GroupB = dioptrics[name_dioptrics_groups["Jamie"]] 
## and so on ....

print(stats.f_oneway( dioptrics[name_dioptrics_groups[ name_dioptrics_groups.keys()] ]) ) 
print(stats.f_oneway( dioptrics[name_dioptrics_groups[ [ name for x in name_dioptrics_groups() ] ] ]) ) 

这当然行不通......我在这里采取了正确的方法吗？

Answer 1

Pandas groupby函数允许您按几列对数据框进行分组。如果您使用列列表而不是一列，则可以使用此功能:

df = pd.DataFrame([
    ['WAKA', 2, '1'],
    ['WAKA-WAKA', 3, '7'],
    ['WAKKA', 1, '0'],
    ['WAKA', 2, '1'],
    ['WAKA-WAKA', 1, '7'],
    ['WAKKA', 1, '1'],
    ['WAKA', 5, '1'],
    ['WAKA-WAKA', 3, '7'],
    ['WAKKA', 1, '2'],
])
df.columns = ['name', 'd', 'info']

df.groupby(['name', 'd']).groups

将返回:

{('WAKA', 2): Int64Index([0, 3], dtype='int64'),
 ('WAKA', 5): Int64Index([6], dtype='int64'),
 ('WAKA-WAKA', 1): Int64Index([4], dtype='int64'),
 ('WAKA-WAKA', 3): Int64Index([1, 7], dtype='int64'),
 ('WAKKA', 1): Int64Index([2, 5, 8], dtype='int64')}

在您的代码中，您尝试仅按名称进行分组，而不按屈光度进行分组。