python - Python Pandas 中的 Groupby/Sum - 零计数不显示......有时

Question

背景

我有一个模拟人群的数据集。它们具有以下属性

1. 年龄(0-120岁)
2. 性别(男、女)
3. 种族(白人、黑人、西类牙裔、亚裔、其他)

df.head()

   Age  Race  Gender  in_population
0   32     0       0              1
1   53     0       0              1
2   49     0       1              1
3   12     0       0              1
4   28     0       0              1

还有另一个变量将个体标识为“In_Population”*，这是一个 bool 变量。我在 Pandas 中使用 groupby 对人口进行分组，这 3 个属性的可能组合通过对每个可能的人类别中的“In_Population”变量求和来计算计数表。

人口中的每个人都可能属于 2 个性别 * 5 个种族 * 121 个年龄 = 1210 个可能的群体。

如果特定年份的特定人群没有成员(例如 0 岁男性“其他”)，那么我仍然希望该组显示在我的分组数据框中，但计数为零.这在下面的数据样本中正确发生(年龄 = 0，性别 = {0,1}，种族 = 4)。在这个特定的地方没有“其他”零岁 child

grouped_obj = df.groupby( ['Age','Gender','Race'] )
groupedAGR  = grouped_obj.sum()
groupedAGR.head(10)

                 in_population
Age Gender Race               
0   0      0                16
           1                 8
           2                63
           3                 5
           4                 0
    1      0                22
           1                 4
           2                64
           3                12
           4                 0

问题

这只发生在某些年龄-性别-种族组合中。 有时零和组会被完全跳过。以下是 45 岁的数据。我原以为会看到 0，这表明该数据集中没有 45 岁的男性“其他”种族。

>>> groupedAGR.xs( 45, level = 'Age' )
             in_population
Gender Race               
0      0               515
       1                68
       2                40
       3                20
1      0               522
       1                83
       2                48
       3                29
       4                 3

注意事项

*“In_Population” 在计算“死亡率”时，基本过滤掉不属于相关人群的“新生儿”和“移民”；人口死亡发生在移民和出生之前，所以我将他们排除在计算之外。我怀疑这与它有关 - 零岁 child 显示零计数，但其他所有年龄组根本没有显示任何东西......但事实并非如此。

>>> groupedAGR.xs( 88, level = 'Age' )
             in_population
Gender Race               
0      0                52
       2                 1
       3                 0
1      0                62
       1                 3
       2                 5
       3                 3
       4                 1

人口中没有 88 岁的亚洲男性，因此该类别为零。人口中也没有 88 岁的“其他”男性，但他们根本没有出现。

编辑:我在代码中添加了代码，展示了我如何在 pandas 中按对象进行分组以及我如何求和以找到每个组中的计数。

Answer 1

使用带有预定义索引和 fill_value=0 的 reindex

ages = np.arange(21, 26)
genders = ['male', 'female']
races = ['white', 'black', 'hispanic', 'asian', 'other']

sim_size = 10000

midx = pd.MultiIndex.from_product([
        ages,
        genders,
        races
    ], names=['Age', 'Gender', 'Race'])

sim_df = pd.DataFrame({
        # I use [1:-1] to explicitly skip some age groups
        'Age': np.random.choice(ages[1:-1], sim_size),
        'Gender': np.random.choice(genders, sim_size),
        'Race': np.random.choice(races, sim_size)
    })

这些将缺少年龄组

counts = sim_df.groupby(sim_df.columns.tolist()).size()
counts.unstack()

这填补了缺失的年龄组

counts.reindex(midx, fill_value=0).unstack()