如何基于UCI Adult数据集计算不同种族的收入占比分布

使用UCI机器学习仓库的Adult数据集开展分析的过程中，核心目标是计算race列各分类对应的>50k/<50k两类收入群体的占比，实现基于种族维度的收入比例合理呈现。

最初使用seaborn编写计数统计绘图代码，代码逻辑如下：

ax = sns.countplot(x=adults_full['income'], hue=adults_full['race'], palette="pastel")
ax.set_xticklabels(['<50k', '>50k'])
ax.set_title('Income vs Race')

该代码生成的收入与种族计数统计图存在明显偏差：

• 仅统计分组绝对样本量，未消除不同种族的总样本规模差异
• 白人群体样本量远大于其他种族，图中仅能体现白人群体收入>50k的绝对人数更多，无法反映种族内部的收入结构比例差异
• 小样本种族的比例特征会被掩盖：实际计算显示亚裔太平洋岛民的收入>50k占比与白人群体相近，但因整体样本量小，在纯计数图中几乎无法识别这类特征

基础统计结果核查 #

先通过代码核查基础样本分布情况，执行代码及输出结果如下：

print(adults_full['race'].value_counts())
adults_full[['race', 'income']].value_counts()

# 输出结果
White                 38903
Asian-Pac-Islander     1303

race                income
White               0         28696
                    1         10207
Asian-Pac-Islander  0           934
                    1           369

其中income=0对应收入<50k，income=1对应收入>50k。

目标统计与可视化实现 #

最终通过行归一化交叉表统计方法，消除样本量差异的干扰，准确计算每个种族内的收入占比，实现代码如下：

# 按种族为行，行归一化计算每个种族内部各收入类别的占比
pivot = pd.crosstab(adults_full.race, adults_full.income, normalize="index")
# 按高收入占比升序排序，优化可视化展示顺序
pivot.sort_values(by = 1, inplace = True)
# 绘制堆叠占比条形图
pivot.plot.bar()

该方法生成的不同种族收入比例分布图，完全消除了不同种族总样本量差异的影响，可直观对比各类种族内部的收入结构差异，准确呈现亚裔太平洋岛民与白人群体高收入占比相近的真实特征，避免绝对计数带来的认知偏差。

内容的提问来源于stack exchange，提问作者Fabrice