如何基于人群占比为DataFrame未就诊观测值分配随机填充病症

实现步骤 #

1. 保留原始数据：创建新列imputed_problem，完全复制原problem列内容，确保原始观测值不受修改。
2. 定位待填充行：筛选出imputed_problem值为left before being seen的目标行。
3. 按概率生成填充值：利用numpy的随机抽样工具，按照给定的病症占比生成对应数量的填充内容。
4. 替换目标行：将生成的填充值替换到对应的待填充行中。

代码实现 #

import pandas as pd
import numpy as np

# 定义病症及对应的人群占比
conditions = ['sprain', 'cut', 'infection']
probabilities = [0.3, 0.5, 0.2]

# 复制原列生成新列，保留所有原始数据
df['imputed_problem'] = df['problem'].copy()

# 筛选出需要填充的行
fill_mask = df['imputed_problem'] == 'left before being seen'
num_to_fill = fill_mask.sum()

# 按指定概率随机生成填充值
# 若需要固定随机结果（可复现），添加 np.random.seed(自定义数字)
filled_conditions = np.random.choice(conditions, size=num_to_fill, p=probabilities)

# 替换目标行的内容
df.loc[fill_mask, 'imputed_problem'] = filled_conditions

关键说明 #

• np.random.choice的p参数可精准指定每个选项的抽样概率，当待填充样本量足够大时，实际分配比例会趋近于设定的0.3/0.5/0.2，适配全量人群数据的需求。
• 新列imputed_problem仅修改未就诊的观测值，其余原始病症数据会完整保留。

内容的提问来源于stack exchange，提问作者Emma541