python - Pandas :分组观察的加权中位数

Question

我有一个数据框，其中包含每组收入的观察数量:

INCAGG
1         6.561681e+08
3         9.712955e+08
5         1.658043e+09
7         1.710781e+09
9         2.356979e+09

我想计算收入中位数组。我是什么意思？让我们从一个更简单的系列开始:

INCAGG
1          6
3          9
5         16
7         17
9         23

代表这组数字:

1 1 1 1 1 1
3 3 3 3 3 3 3 3 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 
7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7
9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9

我可以重新订购

1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 7 7 7 7 7
7 7 7 7 7 7 7 7 7 7 7 7 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9

这在视觉上就是我的意思 - 这里的中位数是 7。

Answer 1

浏览了一个 numpy 示例后 here ，我认为 cumsum() 提供了一个很好的方法。假设您的计数列称为“wt”，这是一个在大多数情况下都有效的简单解决方案(请参阅下文以了解更通用的解决方案):

df = df.sort('incagg')

df['tmp'] = df.wt.cumsum() < ( df.wt.sum() / 2. )

df['med_grp'] = (df.tmp==False) & (df.tmp.shift()==True)

上面的第二行代码将中位数上方和下方的行分成几行。中值观察将在第一个 False 组中。

   incagg          wt    tmp med_grp
0       1   656168100   True   False
1       3   971295500   True   False
2       5  1658043000   True   False
3       7  1710781000  False    True
4       9  2356979000  False   False

df.ix[df.med_grp,'incagg']

3    7
Name: incagg, dtype: int64

当中位数唯一且通常不唯一时，这会很好地工作。仅当中位数不唯一且落在组的边缘时才会出现此问题。在这种情况下(有 5 个组和数百万/数十亿的权重)，这真的不是问题，但这里有一个更通用的解决方案:

df['tmp1']    = df.wt.cumsum() == (df.wt.sum() / 2.)
df['tmp2']    = df.wt.cumsum() < (df.wt.sum() / 2.)
df['med_grp'] = (df.tmp2==False) & (df.tmp2.shift()==True)
df['med_grp'] = df.med_grp | df.tmp1.shift()

   incagg  wt   tmp1   tmp2 med_grp
0       1   1  False   True   False
1       3   1  False   True   False
2       5   1   True  False    True
3       7   2  False  False    True
4       9   1  False  False   False

df.ix[df.med_grp,'incagg']
2    5
3    7

df.ix[df.med_grp,'incagg'].mean()
6.0