使い方 – groupby(”)[”].transform(‘median’)
今回は、Pandasライブラリでのgroupby関数で、グループ内での中央値を算出します。
【Python】groupby(”)[”].transform(‘mean’) – グルーピングの平均 と同じデータセットを利用します。
import pandas as pd
import numpy as np
# CSVファイルを読み込む
df = pd.read_csv('https://raw.githubusercontent.com/econtier/sitedata/main/workprint(df[['no','personid', 'studyhour', 'av_study']])ingstudying.csv')
出力
| no | personid | dt | male | workhour | studyhour |
| 1 | 1 | 2022/1/7 | 1 | 4 | 1 |
| 2 | 1 | 2022/1/8 | 1 | 5 | 4 |
| 3 | 2 | 2022/1/16 | 0 | 2 | 8 |
| 4 | 2 | 2022/1/18 | 0 | 4 | 3 |
| 5 | 2 | 2022/1/19 | 0 | 1 | 9 |
| 6 | 3 | 2022/1/21 | 1 | 3 | 1 |
| 7 | 3 | 2022/1/22 | 1 | 5 | 6 |
| 8 | 3 | 2022/1/10 | 1 | 8 | 7 |
| 9 | 4 | 2022/1/11 | 0 | 9 | 4 |
| 10 | 4 | 2022/1/13 | 0 | 10 | 5 |
ここでは、 最初のnoは通し番号、personidは生徒番号としましょう。
dtは年/月/日を表します。 maleは性別で、1=男性、0=女性を表します(ダミー変数)。
workhourはアルバイト時間(◯時間)、studyhourは勉強時間(◯時間)とします。
表の見方としては、 no1とno2は同一人物でpersonidが1の生徒のデータになります。
この生徒1は、 2022/1/7にアルバイトに4時間、勉強に1時間、
2022/1/8にアルバイトに5時間、勉強に4時間、
をしたことが観察されます。
各サブグループの中央値
次にサブグループの中央値を求めてみましょう。
ここでのサブグループはネスト構造としてのある１人に対して複数の観察期間がある事になっています。
つまり先程の通し番号noでの3と4と5はpersonid2で同一生徒として考えます。
その場合、
2022/1/16では勉強時間(studyhour)は8時間、
2022/1/18では勉強時間が9時間、
2022/1/19では勉強時間が1時間となり、
生徒2(personid2)での勉強時間は真ん中の8時間となります。
データが偶数の場合は中央に位置する 2 つの数の平均値となるので
2022/1/7では勉強時間1時間、2022/1/8では勉強時間が4時間となり、
生徒1(personidが1)の勉強時間の中央値は2.5時間となります。
それぞれの生徒をまずはグルーピングして、中央値を取る場合は、
Pandasの関数であるgroupbyでは、groupby().transform()を利用できます。
下記のコードでは中央値を表すコードとして
df[‘av_study’] = df.groupby(‘personid’)[‘studyhour’].transform(‘median’)
があります。personidをグルーピングし、studyhourをmedianで中央値を出しています。
df['median_study'] = df.groupby('personid')['studyhour'].transform('median')
# personidでソートして結果を表示
df = df.sort_values('personid')
print(df[['no','personid', 'studyhour', 'median_study']])
出力
| no | personid | studyhour | median_study |
| 1 | 1 | 1 | 2.5 |
| 2 | 1 | 4 | 2.5 |
| 3 | 2 | 8 | 8 |
| 4 | 2 | 3 | 8 |
| 5 | 2 | 9 | 8 |
| 6 | 3 | 1 | 6 |
| 7 | 3 | 6 | 6 |
| 8 | 3 | 7 | 6 |
| 9 | 4 | 4 | 4.5 |
| 10 | 4 | 5 | 4.5 |
出力結果を見てみます。
personid1が2.5時間、personid2が8時間、personid3が6時、personid4が4.5時間が中央値となります。
また下記での表記での結果でも表せます。
df_median = df.groupby("personid")
df_median["studyhour"].median()
personid
1 2.5
2 8.0
3 6.0
4 4.5
Name: studyhour, dtype: float64
という結果でも同じく標準偏差が求められます。