如果我没理解错你的问题，我们能做的是，把观测值加起来，除以2，给予对应于中位数的观测值，然后我们需要计算出这个观测值是什么。
这里的一个技巧是用np.cumsum来计算观测和，它会给我们一个连续的累积和。
示例：
np.cumsum([1,2,3,4]) -> [ 1, 3, 6, 10]
每个元素是所有先前元素和它本身的总和。我们在这里有10个观测值。所以平均值将是第5个观测值。（我们通过将最后一个元素除以2得到5）。
现在看一下累积和结果，我们可以很容易地看到，这一定是第二个和第三个元素之间的观察结果（观察结果3和6）。
所以我们需要做的就是计算出中值（5）的指数。
np.searchsorted做的正是我们所需要的。它会找到索引来将元素插入数组中，这样它就保持了排序。
代码是这样做的：

import numpy as np

# my test data

freq_count = np.array([[30, 191, 9, 0], [10, 20, 300, 10], [10,20,30,40], [100,10,10,10], [1,1,1,100]])

c = np.cumsum(freq_count, axis=1) 
indices = [np.searchsorted(row, row[-1]/2.0) for row in c]
masses = [i * 10 for i in indices] #Correct if the masses are indeed 0, 10, 20,...

# This is just for explanation.

print "median masses is:",  masses
print freq_count
print np.hstack((c, c[:, -1, np.newaxis]/2.0))

输出将为：

median masses is: [10 20 20  0 30]  
[[ 30 191   9   0]  <- The test data
 [ 10  20 300  10]  
 [ 10  20  30  40]  
 [100  10  10  10]  
 [  1   1   1 100]]  
[[  30.   221.   230.   230.   115. ]  <- cumsum results with median added to the end.
 [  10.    30.   330.   340.   170. ]     you can see from this where they fit in.
 [  10.    30.    60.   100.    50. ]  
 [ 100.   110.   120.   130.    65. ]  
 [   1.     2.     3.   103.    51.5]]

wquantiles是一个小的Python包，它将完全满足您的需要，它只是在引擎盖下面使用了np.cumsum（）和np.interp（）。

由于这是NumPy中Google上最热门的加权中值，我将添加我的minimal函数，在不改变两个数组内容的情况下计算加权中值，并且不对值的顺序进行任何假设（如果有人来这里寻找相同前提条件的快速方法，那就太不可能了）。

def weighted_median(values, weights):
    i = np.argsort(values)
    c = np.cumsum(weights[i])
    return values[i[np.searchsorted(c, 0.5 * c[-1])]]

使用argsort可以保持两个数组之间的对齐，而不需要改变或复制它们的内容。

更新

因为乍一看，扩展到任意分位数的难度可能并不十分明显，所以代码如下：

def weighted_quantiles(values, weights, quantiles=0.5):
    i = np.argsort(values)
    c = np.cumsum(weights[i])
    return values[i[np.searchsorted(c, np.array(quantiles) * c[-1])]]

默认值为median，但可以传入任何分位数或分位数列表。返回值类型与传入的分位数类型相同，列表提升为NumPy数组。如果有足够多的均匀分布值，实际上可以很好地近似输入：

>>> weighted_quantiles(np.random.rand(10000), np.random.rand(10000), [0.01, 0.05, 0.25, 0.50, 0.75, 0.95, 0.99])
array([0.01235101, 0.05341077, 0.25355715, 0.50678338, 0.75697424,0.94962936, 0.98980785])
>>> weighted_quantiles(np.random.rand(10000), np.random.rand(10000), 0.5)
0.5036283072043176
>>> weighted_quantiles(np.random.rand(10000), np.random.rand(10000), [0.5])
array([0.49851076])

分享一些我得到的代码。这可以让你在Excel电子表格的每一列上运行统计数据。

import xlrd
import sys
import csv
import numpy as np
import itertools
from itertools import chain

book = xlrd.open_workbook('/filepath/workbook.xlsx')
sh = book.sheet_by_name("Sheet1")
ofile = '/outputfilepath/workbook.csv'

masses = sh.col_values(0, start_rowx=1)  # first column has mass
age = sh.row_values(0, start_colx=1)   # first row has age ranges

count = 1
mass = []
for a in ages:
    age.append(sh.col_values(count, start_rowx=1))
    count += 1

stats = []
count = 0    
for a in ages:
    expanded = []
    # create a tuple with the mass vector

    age_mass = zip(masses, age[count])
    count += 1
    # replicate element[0] for element[1] times
    expanded = list(list(itertools.repeat(am[0], int(am[1]))) for am in age_mass)

    #  separate into one big list
    medianlist = [x for t in expanded for x in t]

    # convert to array and mask out zeroes
    npa = np.array(medianlist)
    npa = np.ma.masked_equal(npa,0)

    median = np.median(npa)
    meanMass = np.average(npa)
    maxMass = np.max(npa)
    minMass = np.min(npa)
    stdev = np.std(npa)

    stats1 = [median, meanMass, maxMass, minMass, stdev]
    print stats1

    stats.append(stats1)

np.savetxt(ofile, (stats), fmt="%d")