Python数据框中的置信区间

Posted 2023-03-12

【中文标题】Python数据框中的置信区间

【英文标题】：Confidence Interval in Python dataframe

【发布时间】：2019-04-30 09:11:45

【问题描述】：

我正在尝试计算大型数据集中“力”列的平均值和置信区间 (95%)。我需要通过分组不同的“类”来使用 groupby 函数的结果。

当我计算平均值并将其放入新的数据框中时，它会为我提供所有行的 NaN 值。我不确定我是否走正确的路。有没有更简单的方法来做到这一点？

这是示例数据框：

df=pd.DataFrame( 'Class': ['A1','A1','A1','A2','A3','A3'], 
                  'Force': [50,150,100,120,140,160] ,
                   columns=['Class', 'Force'])

为了计算置信区间，我做的第一步是计算平均值。这是我用的：

F1_Mean = df.groupby(['Class'])['Force'].mean()

这给了我所有行的NaN 值。

【问题讨论】：

您可以使用引导程序：***.com/a/66008548/10375049

【参考方案1】：

正如 cmets 中所述，我无法复制您的错误，但您可以尝试检查您的数字是否存储为数字而不是字符串。使用df.info() 并确保相关列是浮点数或整数：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6 entries, 0 to 5
Data columns (total 2 columns):
Class    6 non-null object   # <--- non-number column
Force    6 non-null int64    # <--- number (int) column
dtypes: int64(1), object(1)
memory usage: 176.0+ bytes

【参考方案2】：

2021 年 10 月 25 日更新：@a-donda 指出，95% 应基于平均值的 1.96 X 标准差。

import pandas as pd
import numpy as np
import math

df=pd.DataFrame('Class': ['A1','A1','A1','A2','A3','A3'], 
                 'Force': [50,150,100,120,140,160] ,
                 columns=['Class', 'Force'])
print(df)
print('-'*30)

stats = df.groupby(['Class'])['Force'].agg(['mean', 'count', 'std'])
print(stats)
print('-'*30)

ci95_hi = []
ci95_lo = []

for i in stats.index:
    m, c, s = stats.loc[i]
    ci95_hi.append(m + 1.96*s/math.sqrt(c))
    ci95_lo.append(m - 1.96*s/math.sqrt(c))

stats['ci95_hi'] = ci95_hi
stats['ci95_lo'] = ci95_lo
print(stats)

输出是

  Class  Force
0    A1     50
1    A1    150
2    A1    100
3    A2    120
4    A3    140
5    A3    160
------------------------------
       mean  count        std
Class                        
A1      100      3  50.000000
A2      120      1        NaN
A3      150      2  14.142136
------------------------------
       mean  count        std     ci95_hi     ci95_lo
Class                                                
A1      100      3  50.000000  156.580326   43.419674
A2      120      1        NaN         NaN         NaN
A3      150      2  14.142136  169.600000  130.400000

【讨论】：

如此出色的答案。我希望我能奖励它。返回包含所有统计信息的 df 是一个很好的做法。干得好。

所以这是我的补充：要让它返回格式化的字符串列，请添加以下内容：stats['95p_ci'] = "(" + stats['ci95_lo'].round(1).astype(str) + ', ' + stats['ci95_hi'].round(1).astype(str) + ')'

95% CI 的正确乘数是 1.96，而不是 1.95。另外，请注意，这是基于二项分布的正态分布近似值，仅适用于大样本。

@A.Donda，你是对的。让我更新