与Stata的比较#
对于来自的潜在用户 Stata 本页面旨在演示如何在大Pandas身上执行不同的STATA操作。
如果你是Pandas的新手，你可能想先通读一下 10 Minutes to pandas 让你自己熟悉类库。
按照惯例，我们进口Pandas和NumPy如下：
In [1]: import pandas as pd
In [2]: import numpy as np
数据结构#
通用术语翻译#
Pandas |
斯塔塔 |
|---|---|
|
数据集 |
立柱 |
变量 |
划 |
观察 |
GroupBy |
按排序 |
|
|
DataFrame#
A DataFrame 在Pandas中类似于Stata数据集--一个带有标签列的二维数据源，这些列可以是不同类型的。如本文所示，在STATA中可以应用于数据集的几乎任何操作都可以在PANDA中完成。
Series#
A Series 是表示 DataFrame 。Stata没有针对单个列的单独数据结构，但通常使用 Series 类似于引用Stata中的数据集的列。
Index#
每个 DataFrame 和 Series vbl.有一个 Index --产品上的标签 rows 数据的一部分。Stata没有一个完全相似的概念。在STATA中，除了可以使用以下命令访问的隐式整数索引之外，数据集行基本上是未标记的 _n 。
在PANDA中，如果未指定索引，则默认情况下也使用整数索引(第一行=0，第二行=1，依此类推)。同时使用带标签的 Index 或 MultiIndex 可以进行复杂的分析，这最终是Pandas理解的重要部分，对于这种比较，我们基本上将忽略 Index 只需治疗 DataFrame 作为列的集合。请参阅 indexing documentation 有关如何使用 Index 有效地。
复印件与就地操作#
大多数大Pandas的操作都会返回 Series/DataFrame 。要使更改“生效”，您需要为一个新变量赋值：
sorted_df = df.sort_values("col1")
或覆盖原始文件：
df = df.sort_values("col1")
备注
您将看到一个 inplace=True 某些方法可用的关键字参数：
df.sort_values("col1", inplace=True)
它的使用是不鼓励的。 More information.
数据输入/输出#
从值构造DataFrame#
通过将数据放在 input 语句并指定列名。
input x y
1 2
3 4
5 6
end
一只Pandas DataFrame 可以用许多不同的方式构造，但对于少量的值，通常可以将其指定为一个Python字典，其中键是列名，值是数据。
In [3]: df = pd.DataFrame({"x": [1, 3, 5], "y": [2, 4, 6]})
In [4]: df
Out[4]:
x y
0 1 2
1 3 4
2 5 6
正在读取外部数据#
与Stata一样，Pandas也提供了从多种格式读取数据的实用程序。这个 tips 大Pandas测试中发现的数据集 (csv )将在下面的许多示例中使用。
Stata提供 import delimited 将CSV数据读入内存中的数据集。如果 tips.csv 文件位于当前工作目录中，我们可以按如下方式导入它。
import delimited tips.csv
Pandas的方法是 read_csv() ，它的工作原理类似。此外，如果提供URL，它将自动下载数据集。
In [5]: url = (
...: "https://raw.github.com/pandas-dev"
...: "/pandas/main/pandas/tests/io/data/csv/tips.csv"
...: )
...:
In [6]: tips = pd.read_csv(url)
In [7]: tips
Out[7]:
total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
2 21.01 3.50 Male No Sun Dinner 3
3 23.68 3.31 Male No Sun Dinner 2
4 24.59 3.61 Female No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 29.03 5.92 Male No Sat Dinner 3
240 27.18 2.00 Female Yes Sat Dinner 2
241 22.67 2.00 Male Yes Sat Dinner 2
242 17.82 1.75 Male No Sat Dinner 2
243 18.78 3.00 Female No Thur Dinner 2
[244 rows x 7 columns]
喜欢 import delimited ， read_csv() 可以采用多个参数来指定应如何分析数据。例如，如果数据以制表符分隔，没有列名，并且存在于当前工作目录中，则PANDAS命令将为：
tips = pd.read_csv("tips.csv", sep="\t", header=None)
# alternatively, read_table is an alias to read_csv with tab delimiter
tips = pd.read_table("tips.csv", header=None)
Pandas还可以读取Stata数据集 .dta 使用设置格式 read_stata() 功能。
df = pd.read_stata("data.dta")
除了文本/CSV和STATA文件外，PANDA还支持各种其他数据格式，如Excel、SAS、HDF5、Parquet和SQL数据库。这些都是通过 pd.read_* 功能。请参阅 IO documentation 了解更多详细信息。
限制产量#
默认情况下，Pandas将截断大型 DataFrame 以显示第一行和最后一行。这可以通过以下方式覆盖 changing the pandas options ，或使用 DataFrame.head() 或 DataFrame.tail() 。
In [8]: tips.head(5)
Out[8]:
total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
2 21.01 3.50 Male No Sun Dinner 3
3 23.68 3.31 Male No Sun Dinner 2
4 24.59 3.61 Female No Sun Dinner 4
STATA中的等价物是：
list in 1/5
正在导出数据#
与之相反的 import delimited 在Stata中是 export delimited
export delimited tips2.csv
同样，在大Pandas身上， read_csv 是 DataFrame.to_csv() 。
tips.to_csv("tips2.csv")
Pandas还可以使用 DataFrame.to_stata() 方法。
tips.to_stata("tips2.dta")
数据操作#
列上的操作#
在Stata中，任意数学表达式可以与 generate 和 replace 新列或现有列上的命令。这个 drop 命令从数据集中删除该列。
replace total_bill = total_bill - 2
generate new_bill = total_bill / 2
drop new_bill
Pandas通过指定个体来提供矢量化操作 Series 在 DataFrame 。可以用相同的方式分配新列。这个 DataFrame.drop() 方法将一列从 DataFrame 。
In [9]: tips["total_bill"] = tips["total_bill"] - 2
In [10]: tips["new_bill"] = tips["total_bill"] / 2
In [11]: tips
Out[11]:
total_bill tip sex smoker day time size new_bill
0 14.99 1.01 Female No Sun Dinner 2 7.495
1 8.34 1.66 Male No Sun Dinner 3 4.170
2 19.01 3.50 Male No Sun Dinner 3 9.505
3 21.68 3.31 Male No Sun Dinner 2 10.840
4 22.59 3.61 Female No Sun Dinner 4 11.295
.. ... ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3 13.515
240 25.18 2.00 Female Yes Sat Dinner 2 12.590
241 20.67 2.00 Male Yes Sat Dinner 2 10.335
242 15.82 1.75 Male No Sat Dinner 2 7.910
243 16.78 3.00 Female No Thur Dinner 2 8.390
[244 rows x 8 columns]
In [12]: tips = tips.drop("new_bill", axis=1)
过滤#
Stata中的筛选是使用 if 子句在一列或多列上。
list if total_bill > 10
可以通过多种方式过滤DataFrame；其中最直观的是使用 boolean indexing 。
In [13]: tips[tips["total_bill"] > 10]
Out[13]:
total_bill tip sex smoker day time size
0 14.99 1.01 Female No Sun Dinner 2
2 19.01 3.50 Male No Sun Dinner 3
3 21.68 3.31 Male No Sun Dinner 2
4 22.59 3.61 Female No Sun Dinner 4
5 23.29 4.71 Male No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3
240 25.18 2.00 Female Yes Sat Dinner 2
241 20.67 2.00 Male Yes Sat Dinner 2
242 15.82 1.75 Male No Sat Dinner 2
243 16.78 3.00 Female No Thur Dinner 2
[204 rows x 7 columns]
上面的语句只是将一个 Series of True/False 对象绑定到DataFrame，并使用 True 。
In [14]: is_dinner = tips["time"] == "Dinner"
In [15]: is_dinner
Out[15]:
0 True
1 True
2 True
3 True
4 True
...
239 True
240 True
241 True
242 True
243 True
Name: time, Length: 244, dtype: bool
In [16]: is_dinner.value_counts()
Out[16]:
True 176
False 68
Name: time, dtype: int64
In [17]: tips[is_dinner]
Out[17]:
total_bill tip sex smoker day time size
0 14.99 1.01 Female No Sun Dinner 2
1 8.34 1.66 Male No Sun Dinner 3
2 19.01 3.50 Male No Sun Dinner 3
3 21.68 3.31 Male No Sun Dinner 2
4 22.59 3.61 Female No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3
240 25.18 2.00 Female Yes Sat Dinner 2
241 20.67 2.00 Male Yes Sat Dinner 2
242 15.82 1.75 Male No Sat Dinner 2
243 16.78 3.00 Female No Thur Dinner 2
[176 rows x 7 columns]
IF/THEN逻辑#
在斯塔塔，一个 if 子句还可用于创建新列。
generate bucket = "low" if total_bill < 10
replace bucket = "high" if total_bill >= 10
在Pandas身上也可以使用 where 方法来自 numpy 。
In [18]: tips["bucket"] = np.where(tips["total_bill"] < 10, "low", "high")
In [19]: tips
Out[19]:
total_bill tip sex smoker day time size bucket
0 14.99 1.01 Female No Sun Dinner 2 high
1 8.34 1.66 Male No Sun Dinner 3 low
2 19.01 3.50 Male No Sun Dinner 3 high
3 21.68 3.31 Male No Sun Dinner 2 high
4 22.59 3.61 Female No Sun Dinner 4 high
.. ... ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3 high
240 25.18 2.00 Female Yes Sat Dinner 2 high
241 20.67 2.00 Male Yes Sat Dinner 2 high
242 15.82 1.75 Male No Sat Dinner 2 high
243 16.78 3.00 Female No Thur Dinner 2 high
[244 rows x 8 columns]
日期功能#
Stata提供了各种函数来对日期/日期时间列执行操作。
generate date1 = mdy(1, 15, 2013)
generate date2 = date("Feb152015", "MDY")
generate date1_year = year(date1)
generate date2_month = month(date2)
* shift date to beginning of next month
generate date1_next = mdy(month(date1) + 1, 1, year(date1)) if month(date1) != 12
replace date1_next = mdy(1, 1, year(date1) + 1) if month(date1) == 12
generate months_between = mofd(date2) - mofd(date1)
list date1 date2 date1_year date2_month date1_next months_between
等同的大Pandas手术如下所示。除了这些功能之外，PANDA还支持STATA中没有的其他时序特性(例如时区处理和自定义偏移量)--请参阅 timeseries documentation 了解更多详细信息。
In [20]: tips["date1"] = pd.Timestamp("2013-01-15")
In [21]: tips["date2"] = pd.Timestamp("2015-02-15")
In [22]: tips["date1_year"] = tips["date1"].dt.year
In [23]: tips["date2_month"] = tips["date2"].dt.month
In [24]: tips["date1_next"] = tips["date1"] + pd.offsets.MonthBegin()
In [25]: tips["months_between"] = tips["date2"].dt.to_period("M") - tips[
....: "date1"
....: ].dt.to_period("M")
....:
In [26]: tips[
....: ["date1", "date2", "date1_year", "date2_month", "date1_next", "months_between"]
....: ]
....:
Out[26]:
date1 date2 date1_year date2_month date1_next months_between
0 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
1 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
2 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
3 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
4 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
.. ... ... ... ... ... ...
239 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
240 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
241 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
242 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
243 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
[244 rows x 6 columns]
柱子的选择#
Stata提供了用于选择、删除和重命名列的关键字。
keep sex total_bill tip
drop sex
rename total_bill total_bill_2
同样的操作在下面的Pandas中表达。
保留某些列#
In [27]: tips[["sex", "total_bill", "tip"]]
Out[27]:
sex total_bill tip
0 Female 14.99 1.01
1 Male 8.34 1.66
2 Male 19.01 3.50
3 Male 21.68 3.31
4 Female 22.59 3.61
.. ... ... ...
239 Male 27.03 5.92
240 Female 25.18 2.00
241 Male 20.67 2.00
242 Male 15.82 1.75
243 Female 16.78 3.00
[244 rows x 3 columns]
删除一列#
In [28]: tips.drop("sex", axis=1)
Out[28]:
total_bill tip smoker day time size
0 14.99 1.01 No Sun Dinner 2
1 8.34 1.66 No Sun Dinner 3
2 19.01 3.50 No Sun Dinner 3
3 21.68 3.31 No Sun Dinner 2
4 22.59 3.61 No Sun Dinner 4
.. ... ... ... ... ... ...
239 27.03 5.92 No Sat Dinner 3
240 25.18 2.00 Yes Sat Dinner 2
241 20.67 2.00 Yes Sat Dinner 2
242 15.82 1.75 No Sat Dinner 2
243 16.78 3.00 No Thur Dinner 2
[244 rows x 6 columns]
重命名列#
In [29]: tips.rename(columns={"total_bill": "total_bill_2"})
Out[29]:
total_bill_2 tip sex smoker day time size
0 14.99 1.01 Female No Sun Dinner 2
1 8.34 1.66 Male No Sun Dinner 3
2 19.01 3.50 Male No Sun Dinner 3
3 21.68 3.31 Male No Sun Dinner 2
4 22.59 3.61 Female No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3
240 25.18 2.00 Female Yes Sat Dinner 2
241 20.67 2.00 Male Yes Sat Dinner 2
242 15.82 1.75 Male No Sat Dinner 2
243 16.78 3.00 Female No Thur Dinner 2
[244 rows x 7 columns]
按值排序#
Stata中的排序是通过 sort
sort sex total_bill
Pandas有一种 DataFrame.sort_values() 方法，该方法接受要排序的列的列表。
In [30]: tips = tips.sort_values(["sex", "total_bill"])
In [31]: tips
Out[31]:
total_bill tip sex smoker day time size
67 1.07 1.00 Female Yes Sat Dinner 1
92 3.75 1.00 Female Yes Fri Dinner 2
111 5.25 1.00 Female No Sat Dinner 1
145 6.35 1.50 Female No Thur Lunch 2
135 6.51 1.25 Female No Thur Lunch 2
.. ... ... ... ... ... ... ...
182 43.35 3.50 Male Yes Sun Dinner 3
156 46.17 5.00 Male No Sun Dinner 6
59 46.27 6.73 Male No Sat Dinner 4
212 46.33 9.00 Male No Sat Dinner 4
170 48.81 10.00 Male Yes Sat Dinner 3
[244 rows x 7 columns]
字符串处理#
查找字符串的长度#
Stata属性确定字符串的长度 strlen() 和 ustrlen() 分别用于ASCII和Unicode字符串的函数。
generate strlen_time = strlen(time)
generate ustrlen_time = ustrlen(time)
您可以使用以下命令来计算字符串的长度 Series.str.len() 。在Python3中，所有字符串都是Unicode字符串。 len 包括尾随空格。使用 len 和 rstrip 以排除尾随空格。
In [32]: tips["time"].str.len()
Out[32]:
67 6
92 6
111 6
145 5
135 5
..
182 6
156 6
59 6
212 6
170 6
Name: time, Length: 244, dtype: int64
In [33]: tips["time"].str.rstrip().str.len()
Out[33]:
67 6
92 6
111 6
145 5
135 5
..
182 6
156 6
59 6
212 6
170 6
Name: time, Length: 244, dtype: int64
查找子串的位置#
属性确定字符在字符串中的位置。 strpos() 功能。这将获取由第一个参数定义的字符串，并搜索作为第二个参数提供的子字符串的第一个位置。
generate str_position = strpos(sex, "ale")
属性可以找到字符在字符串列中的位置 Series.str.find() 方法。 find 搜索子字符串的第一个位置。如果找到子字符串，则该方法返回其位置。如果未找到，则返回 -1 。请记住，Python索引是从零开始的。
In [34]: tips["sex"].str.find("ale")
Out[34]:
67 3
92 3
111 3
145 3
135 3
..
182 1
156 1
59 1
212 1
170 1
Name: sex, Length: 244, dtype: int64
按位置提取子串#
Stata根据子字符串在 substr() 功能。
generate short_sex = substr(sex, 1, 1)
对于Pandas，你可以使用 [] 按位置从字符串中提取子字符串的表示法。请记住，Python索引是从零开始的。
In [35]: tips["sex"].str[0:1]
Out[35]:
67 F
92 F
111 F
145 F
135 F
..
182 M
156 M
59 M
212 M
170 M
Name: sex, Length: 244, dtype: object
提取第n个单词#
《统计数据》 word() 函数返回字符串中的第n个单词。第一个参数是要解析的字符串，第二个参数指定要提取哪个单词。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate first_name = word(name, 1)
generate last_name = word(name, -1)
在Pandas中提取单词的最简单方法是用空格分割字符串，然后按索引引用单词。请注意，如果您需要的话，还有更强大的方法。
In [36]: firstlast = pd.DataFrame({"String": ["John Smith", "Jane Cook"]})
In [37]: firstlast["First_Name"] = firstlast["String"].str.split(" ", expand=True)[0]
In [38]: firstlast["Last_Name"] = firstlast["String"].str.rsplit(" ", expand=True)[1]
In [39]: firstlast
Out[39]:
String First_Name Last_Name
0 John Smith John Smith
1 Jane Cook Jane Cook
更改大小写#
《统计数据》 strupper() ， strlower() ， strproper() ， ustrupper() ， ustrlower() ，以及 ustrtitle() 函数分别更改ASCII和Unicode字符串的大小写。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate upper = strupper(string)
generate lower = strlower(string)
generate title = strproper(string)
list
等同的Pandas方法是 Series.str.upper() ， Series.str.lower() ，以及 Series.str.title() 。
In [40]: firstlast = pd.DataFrame({"string": ["John Smith", "Jane Cook"]})
In [41]: firstlast["upper"] = firstlast["string"].str.upper()
In [42]: firstlast["lower"] = firstlast["string"].str.lower()
In [43]: firstlast["title"] = firstlast["string"].str.title()
In [44]: firstlast
Out[44]:
string upper lower title
0 John Smith JOHN SMITH john smith John Smith
1 Jane Cook JANE COOK jane cook Jane Cook
合并中#
合并示例中将使用以下表格：
In [45]: df1 = pd.DataFrame({"key": ["A", "B", "C", "D"], "value": np.random.randn(4)})
In [46]: df1
Out[46]:
key value
0 A 0.469112
1 B -0.282863
2 C -1.509059
3 D -1.135632
In [47]: df2 = pd.DataFrame({"key": ["B", "D", "D", "E"], "value": np.random.randn(4)})
In [48]: df2
Out[48]:
key value
0 B 1.212112
1 D -0.173215
2 D 0.119209
3 E -1.044236
在STATA中，要执行合并，一个数据集必须在内存中，另一个数据集必须在磁盘上作为文件名引用。相比之下，Python必须同时具备这两项功能 DataFrames 已经在内存中了。
默认情况下，STATA执行外连接，在合并后，来自两个数据集的所有观测值都保留在内存中。通过使用在中创建的值，可以仅保留来自初始数据集、合并数据集或两者的交集的观测值 _merge 变量。
* First create df2 and save to disk
clear
input str1 key
B
D
D
E
end
generate value = rnormal()
save df2.dta
* Now create df1 in memory
clear
input str1 key
A
B
C
D
end
generate value = rnormal()
preserve
* Left join
merge 1:n key using df2.dta
keep if _merge == 1
* Right join
restore, preserve
merge 1:n key using df2.dta
keep if _merge == 2
* Inner join
restore, preserve
merge 1:n key using df2.dta
keep if _merge == 3
* Outer join
restore
merge 1:n key using df2.dta
Pandas的DataFrame有一个 merge() 方法，该方法提供类似的功能。数据不必提前排序，不同的连接类型通过 how 关键字。
In [49]: inner_join = df1.merge(df2, on=["key"], how="inner")
In [50]: inner_join
Out[50]:
key value_x value_y
0 B -0.282863 1.212112
1 D -1.135632 -0.173215
2 D -1.135632 0.119209
In [51]: left_join = df1.merge(df2, on=["key"], how="left")
In [52]: left_join
Out[52]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
In [53]: right_join = df1.merge(df2, on=["key"], how="right")
In [54]: right_join
Out[54]:
key value_x value_y
0 B -0.282863 1.212112
1 D -1.135632 -0.173215
2 D -1.135632 0.119209
3 E NaN -1.044236
In [55]: outer_join = df1.merge(df2, on=["key"], how="outer")
In [56]: outer_join
Out[56]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
5 E NaN -1.044236
缺少数据#
Pandas和Stata都有缺失数据的表示法。
Pandas用特殊的浮点值表示丢失的数据 NaN (不是一个数字)。许多语义都是相同的；例如，丢失的数据通过数字操作传播，并且默认情况下，聚合会忽略这些数据。
In [57]: outer_join
Out[57]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
5 E NaN -1.044236
In [58]: outer_join["value_x"] + outer_join["value_y"]
Out[58]:
0 NaN
1 0.929249
2 NaN
3 -1.308847
4 -1.016424
5 NaN
dtype: float64
In [59]: outer_join["value_x"].sum()
Out[59]: -3.5940742896293765
一个不同之处在于，不能将丢失的数据与其前哨数值进行比较。例如，在Stata中，您可以这样做来过滤遗漏的值。
* Keep missing values
list if value_x == .
* Keep non-missing values
list if value_x != .
在Pandas身上， Series.isna() 和 Series.notna() 可用于筛选行。
In [60]: outer_join[outer_join["value_x"].isna()]
Out[60]:
key value_x value_y
5 E NaN -1.044236
In [61]: outer_join[outer_join["value_x"].notna()]
Out[61]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
Pandas提供了 a variety of methods to work with missing data 。以下是一些例子：
删除缺少值的行#
In [62]: outer_join.dropna()
Out[62]:
key value_x value_y
1 B -0.282863 1.212112
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
从前一行向前填充#
In [63]: outer_join.fillna(method="ffill")
Out[63]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 1.212112
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
5 E -1.135632 -1.044236
用指定值替换缺少的值#
使用平均值：
In [64]: outer_join["value_x"].fillna(outer_join["value_x"].mean())
Out[64]:
0 0.469112
1 -0.282863
2 -1.509059
3 -1.135632
4 -1.135632
5 -0.718815
Name: value_x, dtype: float64
GroupBy#
聚合#
斯塔塔的 collapse 可用于按一个或多个键变量分组并计算数字列上的聚合。
collapse (sum) total_bill tip, by(sex smoker)
Pandas提供了一种灵活的 groupby 允许类似聚合的机制。请参阅 groupby documentation 获取更多详细信息和示例。
In [65]: tips_summed = tips.groupby(["sex", "smoker"])[["total_bill", "tip"]].sum()
In [66]: tips_summed
Out[66]:
total_bill tip
sex smoker
Female No 869.68 149.77
Yes 527.27 96.74
Male No 1725.75 302.00
Yes 1217.07 183.07
转型#
在Stata中，如果组聚合需要与原始数据集一起使用，则通常会使用 bysort 使用 egen() 。例如，减去吸烟者组每个观察值的平均值。
bysort sex smoker: egen group_bill = mean(total_bill)
generate adj_total_bill = total_bill - group_bill
Pandas提供了一种 转型 一种机制，允许在一个操作中简洁地表达这些类型的操作。
In [67]: gb = tips.groupby("smoker")["total_bill"]
In [68]: tips["adj_total_bill"] = tips["total_bill"] - gb.transform("mean")
In [69]: tips
Out[69]:
total_bill tip sex smoker day time size adj_total_bill
67 1.07 1.00 Female Yes Sat Dinner 1 -17.686344
92 3.75 1.00 Female Yes Fri Dinner 2 -15.006344
111 5.25 1.00 Female No Sat Dinner 1 -11.938278
145 6.35 1.50 Female No Thur Lunch 2 -10.838278
135 6.51 1.25 Female No Thur Lunch 2 -10.678278
.. ... ... ... ... ... ... ... ...
182 43.35 3.50 Male Yes Sun Dinner 3 24.593656
156 46.17 5.00 Male No Sun Dinner 6 28.981722
59 46.27 6.73 Male No Sat Dinner 4 29.081722
212 46.33 9.00 Male No Sat Dinner 4 29.141722
170 48.81 10.00 Male Yes Sat Dinner 3 30.053656
[244 rows x 8 columns]
按分组处理#
除了聚集，大Pandas groupby 可用于复制大多数其他 bysort 正在处理来自Stata的信息。例如，下面的示例按性别/吸烟者组按当前排序顺序列出第一个观察结果。
bysort sex smoker: list if _n == 1
在Pandas中，这将被写成：
In [70]: tips.groupby(["sex", "smoker"]).first()
Out[70]:
total_bill tip day time size adj_total_bill
sex smoker
Female No 5.25 1.00 Sat Dinner 1 -11.938278
Yes 1.07 1.00 Sat Dinner 1 -17.686344
Male No 5.51 2.00 Thur Lunch 2 -11.678278
Yes 5.25 5.15 Sun Dinner 2 -13.506344
其他考虑事项#
磁盘VS内存#
Pandas和斯塔塔都只在记忆中运作。这意味着可以在PANAS中加载的数据大小受计算机内存的限制。如果需要核心外处理，一种可能性是 dask.dataframe 库，它为磁盘上的PANAS功能提供了一个子集 DataFrame 。