與 Stata 比較#
對於來自 Stata 的潛在使用者，此頁面旨在說明如何於 pandas 中執行不同的 Stata 作業。
如果您是 pandas 的新手，您可能想要先閱讀 10 Minutes to pandas 以熟悉此函式庫。
依慣例，我們會匯入 pandas 和 NumPy，如下所示
In [1]: import pandas as pd
In [2]: import numpy as np
資料結構#
一般用語翻譯#
pandas |
Stata |
|---|---|
|
資料集 |
欄 |
變數 |
列 |
觀察 |
groupby |
bysort |
|
|
DataFrame#
pandas 中的 DataFrame 類似於 Stata 資料集，是一個具有標籤欄且可以是不同類型的二維資料來源。如本文檔所示，幾乎所有可以在 Stata 中套用至資料集的作業，也可以在 pandas 中完成。
Series#
Series 是表示 DataFrame 一欄的資料結構。Stata 沒有針對單一欄位設定獨立的資料結構，但一般而言，使用 Series 類似於在 Stata 中參照資料集的一欄。
索引#
每個 DataFrame 和 Series 都有一個 Index – 資料列上的標籤。Stata 沒有完全類似的概念。在 Stata 中，資料集的列基本上是沒有標籤的，只有一個隱含的整數索引，可以使用 _n 存取。
在 pandas 中，如果沒有指定索引，預設也會使用整數索引（第一列 = 0，第二列 = 1，以此類推）。雖然使用標籤化的 Index 或 MultiIndex 可以進行複雜的分析，而且最終是了解 pandas 的重要部分，但為了進行此比較，我們基本上會忽略 Index，並將 DataFrame 視為一組欄位。請參閱 索引文件，以進一步了解如何有效使用 Index。
複製與原地操作#
大部分的 pandas 操作會傳回 Series/DataFrame 的副本。若要讓變更「生效」，你需要指派給新變數
sorted_df = df.sort_values("col1")
或覆寫原始變數
df = df.sort_values("col1")
註解
您會看到一些方法提供 inplace=True 或 copy=False 關鍵字參數
df.replace(5, inplace=True)
目前正積極討論棄用並移除 inplace 和 copy，適用於大多數方法（例如 dropna），但少數方法除外（包括 replace）。在寫入時複製的背景下，這兩個關鍵字都不再必要。提案可在此處找到 連結。
資料輸入/輸出#
從數值建構 DataFrame#
Stata 資料集可透過在 input 陳述式後放置資料並指定欄位名稱來建構。
input x y
1 2
3 4
5 6
end
pandas DataFrame 可用許多不同的方式建構，但對於少數值，通常建議將其指定為 Python 字典，其中鍵為欄位名稱，而值為資料。
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
讀取外部資料#
與 Stata 類似，pandas 提供了從多種格式讀取資料的工具程式。tips 資料集位於 pandas 測試中 (csv)，將用於以下許多範例。
Stata 提供 import delimited 將 csv 資料讀取至記憶體中的資料集。如果 tips.csv 檔案位於目前的作業目錄中，我們可以如下匯入。
import delimited tips.csv
pandas 方法為 read_csv()，其運作方式類似。此外，如果提供網址，它會自動下載資料集。
In [5]: url = (
...: "https://raw.githubusercontent.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]
與 import delimited 類似，read_csv() 可以採用多個參數來指定資料的剖析方式。例如，如果資料改為以 tab 分隔、沒有欄位名稱，且存在於目前的作業目錄中，則 pandas 指令會是
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 也可以使用 read_stata() 函數讀取 .dta 格式的 Stata 資料集。
df = pd.read_stata("data.dta")
除了文字/csv 和 Stata 檔案，pandas 還支援其他各種資料格式，例如 Excel、SAS、HDF5、Parquet 和 SQL 資料庫。這些都是透過 pd.read_* 函式讀取。有關更多詳細資料，請參閱 IO 文件。
限制輸出#
預設情況下，pandas 會將大型 DataFrame 的輸出截斷，以顯示第一列和最後一列。這可以用 變更 pandas 選項，或使用 DataFrame.head() 或 DataFrame.tail() 來覆寫。
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 中的等效方式為
list in 1/5
匯出資料#
Stata 中 import delimited 的反向操作是 export delimited
export delimited tips2.csv
類似地，在 pandas 中，read_csv 的反向操作是 DataFrame.to_csv()。
tips.to_csv("tips2.csv")
pandas 也可以使用 DataFrame.to_stata() 方法匯出為 Stata 檔案格式。
tips.to_stata("tips2.dta")
資料操作#
欄位的操作#
在 Stata 中，任意數學運算式可用於 generate 和 replace 指令，針對新欄位或現有欄位。 drop 指令會從資料集中刪除欄位。
replace total_bill = total_bill - 2
generate new_bill = total_bill / 2
drop new_bill
pandas 透過指定 DataFrame 中的個別 Series 來提供向量化操作。新欄位可以同樣的方式指派。 DataFrame.drop() 方法會從 DataFrame 中刪除欄位。
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)
篩選#
Stata 中的篩選是使用一個或多個欄位上的 if 子句來完成。
list if total_bill > 10
資料框可以用多種方式篩選；最直觀的方式是使用 布林索引。
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]
上述陳述只是將一個 Series 的 True/False 物件傳遞到資料框，傳回所有具有 True 的列。
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]:
time
True 176
False 68
Name: count, 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]
如果/然後邏輯#
在 Stata 中，if 子句也可以用來建立新欄位。
generate bucket = "low" if total_bill < 10
replace bucket = "high" if total_bill >= 10
在 pandas 中，相同的運算可以使用 numpy 中的 where 方法來完成。
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 提供多種功能來對日期/日期時間欄位進行運算。
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
等效的 pandas 運算如下所示。除了這些功能之外，pandas 還支援 Stata 中沒有的其他時間序列功能（例如時區處理和自訂偏移）– 請參閱 時間序列文件 以取得更多詳細資訊。
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]
欄位選取#
Stata 提供關鍵字來選取、刪除和重新命名欄位。
keep sex total_bill tip
drop sex
rename total_bill total_bill_2
相同的運算在 pandas 中如下所示。
保留特定欄位#
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]
刪除欄位#
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]
重新命名欄位#
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]
依據數值排序#
在 Stata 中，排序是透過 sort 完成的。
sort sex total_bill
pandas 有 DataFrame.sort_values() 方法，它會接收要排序的欄位清單。
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]
字串處理#
尋找字串長度#
Stata 使用 strlen() 和 ustrlen() 函數分別判斷 ASCII 和 Unicode 字串的長度。
generate strlen_time = strlen(time)
generate ustrlen_time = ustrlen(time)
你可以使用 Series.str.len() 找出字串的長度。在 Python 3 中，所有字串都是 Unicode 字串。 len 包含尾隨空白。使用 len 和 rstrip 排除尾隨空白。
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
尋找子字串位置#
Stata 使用 strpos() 函數判斷字串中字元的順序。它會使用第一個參數定義的字串，並搜尋你提供為第二個參數的子字串的第一個位置。
generate str_position = strpos(sex, "ale")
你可以使用 Series.str.find() 方法找出字串欄中字元的順序。 find 會搜尋子字串的第一個位置。如果找到子字串，方法會傳回其位置。如果找不到，它會傳回 -1。請記住 Python 的索引是從 0 開始的。
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
依據位置擷取子字串#
Stata 使用 substr() 函數根據字串的位置擷取子字串。
generate short_sex = substr(sex, 1, 1)
使用 pandas 可以使用 [] 符號根據位置位置從字串中擷取子字串。請記住，Python 索引是從 0 開始的。
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
擷取第 n 個字#
Stata word() 函數從字串傳回第 n 個字。第一個引數是要剖析的字串，第二個引數指定要擷取的字。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate first_name = word(name, 1)
generate last_name = word(name, -1)
在 pandas 中擷取字詞最簡單的方法是使用空白分割字串，然後根據索引參照字詞。請注意，如果有需要，還有更強大的方法。
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
變更大小寫#
Stata strupper()、strlower()、strproper()、ustrupper()、ustrlower() 和 ustrtitle() 函數分別變更 ASCII 和 Unicode 字串的大小寫。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate upper = strupper(string)
generate lower = strlower(string)
generate title = strproper(string)
list
等效的 pandas 方法為 Series.str.upper()、Series.str.lower() 和 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
合併#
下列表格將用於合併範例
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，若要執行合併，一個資料集必須在記憶體中，另一個必須作為磁碟上的檔案名稱來參照。相反地，Python 必須已將兩個 資料框 放入記憶體中。
預設情況下，Stata 會執行外部連接，其中兩個資料集的所有觀察值在合併後會留在記憶體中。使用者可以使用 _merge 變數中建立的值，僅保留來自初始資料集、合併資料集或兩者的交集的觀察值。
* 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 資料框有一個 merge() 方法，提供類似的功能。資料不必事先排序，而且不同的連接類型是透過 how 關鍵字來完成。
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
遺失資料#
pandas 和 Stata 都有一個遺失資料的表示方式。
pandas 使用特殊浮點值 NaN（非數字）表示遺失資料。許多語意相同；例如遺失資料會透過數值運算傳播，且在聚合時預設會略過。
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
其中一個差異是遺失資料無法與其哨兵值相比較。例如，在 Stata 中，您可以這樣做來篩選遺失值。
* Keep missing values
list if value_x == .
* Keep non-missing values
list if value_x != .
在 pandas 中，Series.isna() 和 Series.notna() 可用於篩選列。
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 多種處理遺失資料的方法。以下是幾個範例
刪除有遺失值的列#
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
從前一列向前填入#
In [63]: outer_join.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
用指定值取代遺失值#
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#
Stata 的 collapse 可用於依一個或多個關鍵變數進行分組，並對數值欄位計算聚合。
collapse (sum) total_bill tip, by(sex smoker)
pandas 提供一個彈性的 groupby 機制，允許類似的聚合。請參閱 groupby 文件 以取得更多詳細資料和範例。
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
轉換#
在 Stata 中，如果群組聚合需要與原始資料集一起使用，通常會使用 bysort 搭配 egen()。例如，依據吸菸者群組減去每個觀測值的平均值。
bysort sex smoker: egen group_bill = mean(total_bill)
generate adj_total_bill = total_bill - group_bill
pandas 提供一個 轉換 機制，允許這些類型的運算在一個運算中簡潔地表達。
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]
依群組處理#
除了聚合之外，pandas groupby 可用於複製 Stata 中大多數其他 bysort 處理。例如，下列範例會列出依性別/吸菸者群組當前排序順序中的第一個觀測值。
bysort sex smoker: list if _n == 1
在 pandas 中，這會寫成
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
其他考量#
磁碟與記憶體#
pandas 和 Stata 都只在記憶體中運作。這表示能載入 pandas 的資料大小會受到電腦記憶體的限制。如果需要核心外處理，其中一個可能性是 dask.dataframe 函式庫，它提供一個 pandas 功能子集，用於磁碟上 DataFrame。