译者：郭李鹏 (山西晋城市财政局)
编者按： 不同语言和软件有其独特功能。在研究工作中，我们往往会同时采用多种工具完成我们的研究任务。本文通过实例对比 Python 和 Stata 在语法上的差别，以便于各位能在二者之间自如切换。事实上，两边的用户都在努力促成彼此的融合，介绍 Python 与 Stata 结合的文章如下：
- 双剑合璧之Stata与Python：初识IPyStata - 知乎
- Data Workflows in Stata and Python Data Workflows in Stata and Python
- Python - Comparison with Stata — pandas 0.24.2 documentation
- GitHub - jrfiedler/python-in-stata: Use Python within Stata
对于使用 Stata 的用户，本文通过对比演示如何用 pandas 实现 Stata 的基本操作。
如果你对 pandas 还不熟悉，你可以先通读一遍 10 分钟入门 pandas ，熟悉一下相关库。
通常我们按照如下方式导入 pandas 和 numpy 库，在本文后续部分，我们将使用 pd 和 np 分别代表相关库。
In [1]: import pandas as pd
In [2]: import numpy as np
请注意
本文通过调用 df.head() 命令来显示 pandas 数据集 DataFrame 的前 N ( 默认 5 ) 行数据。 Stata 中对应命令为：
list in 1/5
1. 数据结构
1.1 常用术语对照
| pandas | Stata |
|---|---|
| DataFrame | data set |
| column | variable |
| row | observation |
| groupby | bysort |
| NaN | . |
1.2 DataFrame / Series
pandas 中的 DataFrame 类似于 Stata 数据集——一个二维数据，每列可以是不同的值类型。正如本文将要展示，几乎任何可以对 Stata 的数据集应用的操作都可以在 pandas 中完成。
Series 是表示 DataFrame 列的数据结构。 Stata 没有针对列的单独数据结构，但通常，使用 Series 类似于引用 Stata 数据集中的列。
1.3 Index
每个DataFrame和Series都有一个Index索引——数据 行 的标签。 Stata 没有一个完全类似的概念。在 Stata 中，除了可以用暗含索引_n 访问行外，数据基本没有行标签。
在 pandas 中，即使没有指定索引，也可以使用默认整数索引(第一行= 0，第二行= 1，依次类推)。虽然使用单个索引或多个索引可以进行复杂的分析，并且是 pandas 的重要功能，但是为了与 Stata 比较，本文中将基本忽略行索引，只将 DataFrame 作为列的集合。获取更多有关使用索引的信息，请参阅索引文档。
2. Data Input / Output
2.1 创建 DataFrame
Stata数据通过 input 语句赋值并指定列名。
input x y
1 2
3 4
5 6
end
创建 DataFrame 有很多，数据量较小时，最常用的方法是传入一个 Python 字典，其中字典每一个 key 对应一列，与 key 对应 value 是该列下所有数据。
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
2.2 读取外部数据
与 Stata 一样，pandas 可以从许多格式文件中读取数据。可以通过链接获取 pandas 测试数据集 tips ，我们将在下面的许多示例中使用到这份数据。
Stata 通过 import delimited 将 csv 数据文件读入内存中。如果 tips.csv 文件在当前工作目录中，我们可以按照以下方式导入。
import delimited tips.csv
pandas 通过 read_csv() 方法读取 csv 文件，与 Stata 工作原理类似。此外，pandas 可以通过 url 自动下载数据集。
In [5]: url = ('https://raw.github.com/pandas-dev'
...: '/pandas/master/pandas/tests/data/tips.csv')
...:
In [6]: tips = pd.read_csv(url)
In [7]: tips.head()
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
与 import delimited 一样，read_csv() 可以使用更多参数来导入数据。例如，如果数据是用 tab 分隔的，没有列名，并且存在于当前工作目录中， panda 命令将是:
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 还可以使用 read_stata() 函数读取 .dta 格式的 Stata 数据。
df = pd.read_stata('data.dta')
除了 text/csv 和 Stata 文件之外，pandas 还支持许多种其他数据格式，如 Excel / SAS / HDF 5 / Parquet 和 SQL 数据库。这些都是通过 pd.read_* 相关命令读取的。有关详细信息，请参阅 IO 文档。
2.3 导出数据
在 Stata 中，与 import delimited 功能相反的函数是 export delimited 。
export delimited tips2.csv
类似地，在 pandas 中，read_csv 功能相反的函数是 DataFrame.to_csv() 。
tips.to_csv('tips2.csv')
pandas 还可以使用 DataFrame.to_stata() 方法导出到 Stata 格式文件。
tips.to_stata('tips2.dta')
3. 数据操作
3.1 列操作
在 Stata 中，可以使用 generate 和 replace 在数据某一列或新产生一列上运算任意数学公式。
replace total_bill = total_bill - 2
generate new_bill = total_bill / 2
drop new_bill
pandas 通过在 DataFrame 中 x 选定各个 Series 来进行类似的向量化操作。可以用同样的方法产生新的列。可以用 DataFrame.drop() 方法从 DataFrame 中删除列。
In [8]: tips['total_bill'] = tips['total_bill'] - 2
In [9]: tips['new_bill'] = tips['total_bill'] / 2
In [10]: tips.head()
Out[10]:
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
In [11]: tips = tips.drop('new_bill', axis=1)
3.2 条件过滤
Stata 中使用 if 语句对一个或多个列的数据进行筛选。
list if total_bill > 10
DataFrames 有多种过滤方式，最直观的是使用 boolean indexing 。
In [12]: tips[tips['total_bill'] > 10].head()
Out[12]:
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
3.3 If 条件语句
在 Stata 中，可以使用 if 语句来创建新列。
generate bucket = "low" if total_bill < 10
replace bucket = "high" if total_bill >= 10
在 pandas 中也可以使用 numpy 的 where 方法来完成相同的操作。
In [13]: tips['bucket'] = np.where(tips['total_bill'] < 10, 'low', 'high')
In [14]: tips.head()
Out[14]:
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
3.4 日期函数
Stata提供了一系列函数来处理数据类型为 date/datetime 的列。
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
pandas 中同样的操作如下所示。除了这些功能之外， pandas 还支持其他在无法在 Stata 使用的处理时间序列的功能 ( 例如时区处理和自定义偏移量 ) —— 有关更多内容，请参见 timeseries 文档。
In [15]: tips['date1'] = pd.Timestamp('2013-01-15')
In [16]: tips['date2'] = pd.Timestamp('2015-02-15')
In [17]: tips['date1_year'] = tips['date1'].dt.year
In [18]: tips['date2_month'] = tips['date2'].dt.month
In [19]: tips['date1_next'] = tips['date1'] + pd.offsets.MonthBegin()
In [20]: tips['months_between'] = (tips['date2'].dt.to_period('M')
....: - tips['date1'].dt.to_period('M'))
....:
In [21]: tips[['date1', 'date2', 'date1_year', 'date2_month', 'date1_next',
....: 'months_between']].head()
....:
Out[21]:
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>
3.5 列操作
Stata 通过关键字对列进行选择、删除和重命名的操作。
keep sex total_bill tip
drop sex
rename total_bill total_bill_2
pandas 中同样的操作如下表示。注意，与Stata相反，这些操作没有在数据原来的位置运算。要使这些更改生效，需要将操作赋给一个变量。
# keep
In [22]: tips[['sex', 'total_bill', 'tip']].head()
Out[22]:
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
# drop
In [23]: tips.drop('sex', axis=1).head()
Out[23]:
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
# rename
In [24]: tips.rename(columns={'total_bill': 'total_bill_2'}).head()
Out[24]:
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
3.6 数值排序
Stata 中的排序是通过 sort 命令完成的。
sort sex total_bill
pandas 对象可以通过 DataFrame.sort_values() 方法对多列进行排序。
In [25]: tips = tips.sort_values(['sex', 'total_bill'])
In [26]: tips.head()
Out[26]:
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
4. 字符串处理
4.1 字符串长度
Stata 分别使用 strlen() 和 ustrlen() 函数来确定 ASCII 和 Unicode 码的字符串长度。
generate strlen_time = strlen(time)
generate ustrlen_time = ustrlen(time)
Python 使用 len 函数确定字符串的长度。在 python 3 中，所有的字符串都是 Unicode 码字符串。len 计算长度时包括字符串末尾的空格。可以使用 len 和 rstrip 来去除末尾空格影响。
In [27]: tips['time'].str.len().head()
Out[27]:
67 6
92 6
111 6
145 5
135 5
Name: time, dtype: int64
In [28]: tips['time'].str.rstrip().str.len().head()
Out[28]:
67 6
92 6
111 6
145 5
135 5
Name: time, dtype: int64
4.2 查找字符串的位置
Stata 使用 strpos() 函数确定字符串中字符的位置。在第一个参数定义的字符串，并搜索第二个参数提供的子字符串第一个出现的位置。
generate str_position = strpos(sex, "ale")
Python 使用 find() 函数确定字符串中字符的位置。 find() 函数搜索子字符串出现的第一个位置，如果找到子字符串，函数返回它的位置；如果没有找到子字符串，函数将返回-1。注意， Python 索引是从零开始的。
In [29]: tips['sex'].str.find("ale").head()
Out[29]:
67 3
92 3
111 3
145 3
135 3
Name: sex, dtype: int64
4.3 按位置提取子字符串
Stata 使用 substr() 函数根据字符串的位置从字符串中提取子字符串。
generate short_sex = substr(sex, 1, 1)
对于 pandas ，您可以使用 [] 符号从字符串中按位置提取子字符串。注意， Python 索引是从零开始的。
In [30]: tips['sex'].str[0:1].head()
Out[30]:
67 F
92 F
111 F
145 F
135 F
Name: sex, dtype: object
4.4 提取第 n 个单词
Stata 中 word() 函数的作用是:返回字符串中的第n个单词。第一个参数是要分析的字符串，第二个参数指定要提取哪个位置单词。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate first_name = word(name, 1)
generate last_name = word(name, -1)
Python 使用正则表达式从字符串文本中提取子字符串。有很多功能强大的方法，但这里只展示一个简单的方法。
In [31]: firstlast = pd.DataFrame({'string': ['John Smith', 'Jane Cook']});
In [32]: firstlast['First_Name'] = firstlast['string'].str.split(" ", expand=True)[0]
In [33]: firstlast['Last_Name'] = firstlast['string'].str.rsplit(" ", expand=True)[1]
In [34]: firstlast
Out[34]:
string First_Name Last_Name
0 John Smith John Smith
1 Jane Cook Jane Cook
4.5 大小写转换
Stata 分别使用strupper()、 strlower()、 strproper() 或 ustrupper()、 ustrlower() 、 ustrtitle() 函数转换 ASCII 和 Unicode 码字符串的大小写。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate upper = strupper(string)
generate lower = strlower(string)
generate title = strproper(string)
list
Python 中等效函数是 upper, lower 和 title。
In [35]: firstlast = pd.DataFrame({'string': ['John Smith', 'Jane Cook']})
In [36]: firstlast['upper'] = firstlast['string'].str.upper()
In [37]: firstlast['lower'] = firstlast['string'].str.lower()
In [38]: firstlast['title'] = firstlast['string'].str.title()
In [39]: firstlast
Out[39]:
string upper lower title
0 John Smith JOHN SMITH john smith John Smith
1 Jane Cook JANE COOK jane cook Jane Cook
5. 数据合并
下面的表格将在合并示例中使用。
In [40]: df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'],
....: 'value': np.random.randn(4)})
....:
In [41]: df1
Out[41]:
key value
0 A 0.469112
1 B -0.282863
2 C -1.509059
3 D -1.135632
In [42]: df2 = pd.DataFrame({'key': ['B', 'D', 'D', 'E'],
....: 'value': np.random.randn(4)})
....:
In [43]: df2
Out[43]:
key value
0 B 1.212112
1 D -0.173215
2 D 0.119209
3 E -1.044236
在 Stata 中，要执行合并命令，一个数据必须在内存中，另一个数据必须通过引用硬盘上的文件名称。相反，Python 必须将两个数据 DataFrames 同时放在内存中。
默认情况下， Stata 通过外部连接数据，在合并之后，来自两个数据的所有观察值都留在内存中。通过使用创建的 _merge 变量中的不同值，可以只保留来自初始数据集、合并数据集或两者交集的观察值。
* 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 DataFrames 有一个 DataFrame.merge() 方法，提供了类似的功能。不同的合并类型是通过设定 how 关键字实现的。
In [44]: inner_join = df1.merge(df2, on=['key'], how='inner')
In [45]: inner_join
Out[45]:
key value_x value_y
0 B -0.282863 1.212112
1 D -1.135632 -0.173215
2 D -1.135632 0.119209
In [46]: left_join = df1.merge(df2, on=['key'], how='left')
In [47]: left_join
Out[47]:
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 [48]: right_join = df1.merge(df2, on=['key'], how='right')
In [49]: right_join
Out[49]:
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 [50]: outer_join = df1.merge(df2, on=['key'], how='outer')
In [51]: outer_join
Out[51]:
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
6. 缺失值
与 Stata 一样，在 Pandas 中使用浮点值 NaN (不是数字)表示数组中的缺失值。许多含义是相同的，例如，缺失值可以进行数值运算操作，默认情况下汇总运算将忽略这些缺失值。
In [52]: outer_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
5 E NaN -1.044236
In [53]: outer_join['value_x'] + outer_join['value_y']
Out[53]:
0 NaN
1 0.929249
2 NaN
3 -1.308847
4 -1.016424
5 NaN
dtype: float64
In [54]: outer_join['value_x'].sum()
Out[54]: -3.5940742896293765
与 Stata 不同之处在于，不能使用 pandas 缺失值的标记值进行比较。例如，在 Stata 中，可以使用标记值来过滤丢失数据。
* Keep missing values
list if value_x == .
* Keep non-missing values
list if value_x != .
pandas 中无法使用这中方式，需要使用 pd.isna() 或 pd.notna() 函数进行比较。
In [55]: outer_join[pd.isna(outer_join['value_x'])]
Out[55]:
key value_x value_y
5 E NaN -1.044236
In [56]: outer_join[pd.notna(outer_join['value_x'])]
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
pandas 还提供了其他处理缺失值的方法——一些在 Stata 中很难操作。例如，有一些方法可以删除所有有缺失值的行，可以用指定的值（比如平均值，或者前行值）替换缺失值。获取更多信息，请查阅缺失值文档。
# Drop rows with any missing value
In [57]: outer_join.dropna()
Out[57]:
key value_x value_y
1 B -0.282863 1.212112
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
# Fill forwards
In [58]: outer_join.fillna(method='ffill')
Out[58]:
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
# Impute missing values with the mean
In [59]: outer_join['value_x'].fillna(outer_join['value_x'].mean())
Out[59]:
0 0.469112
1 -0.282863
2 -1.509059
3 -1.135632
4 -1.135632
5 -0.718815
Name: value_x, dtype: float64
7. 分组运算
7.1 分组求和
Stata的 collapse 函数可按一个或多个关键变量分组，并计算数值列上的和。
collapse (sum) total_bill tip, by(sex smoker)
pandas 通过 groupby 方法，可以实现类似的求和。
In [60]: tips_summed = tips.groupby(['sex', 'smoker'])['total_bill', 'tip'].sum()
In [61]: tips_summed.head()
Out[61]:
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
7.2 分组变换
在 Stata 中，对原始数据分组运算，通常会使用 bysort 和 egen() 命令。例如，按吸烟变量分组后，每个观察值减去的组内平均值。
bysort sex smoker: egen group_bill = mean(total_bill)
generate adj_total_bill = total_bill - group_bill
panda 使用 groubpy 方法提供了一个 分组变换 功能，可以这些类型的操作在一个操作中简洁地表达出来。
In [62]: gb = tips.groupby('smoker')['total_bill']
In [63]: tips['adj_total_bill'] = tips['total_bill'] - gb.transform('mean')
In [64]: tips.head()
Out[64]:
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
7.3 分组处理
除了汇总分析之外，pandas 的 groupby 函数可以完成 Stata 中 bysort 其他大多数的处理功能。例如，按性别、吸烟者变量分组排序列后列出第一个观察结果。
bysort sex smoker: list if _n == 1
在 pandas 中，写法如下:
In [65]: tips.groupby(['sex', 'smoker']).first()
Out[65]:
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
8. 其他
8.1 硬盘和内存
pandas 和 Stata 都只在内存中运行。这意味着可以在 pandas 中加载的数据大小受计算机内存限制。如果需要处理外部数据，可以使用 dask.dataframe库，可以对硬盘上的 DataFrame 数据实现部分 pandas 功能。
8.2 Python 与 Stata 结合的相关介绍
- 双剑合璧之Stata与Python：初识IPyStata - 知乎
- Data Workflows in Stata and Python Data Workflows in Stata and Python
- Python - Comparison with Stata — pandas 0.24.2 documentation
- GitHub - jrfiedler/python-in-stata: Use Python within Stata
关于我们
- 【Stata 连享会(公众号：StataChina)】由中山大学连玉君老师团队创办，旨在定期与大家分享 Stata 应用的各种经验和技巧。
- 公众号推文同步发布于 CSDN-Stata连享会 、简书-Stata连享会 和 知乎-连玉君Stata专栏。可以在上述网站中搜索关键词
Stata或Stata连享会后关注我们。 - 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。
- Stata连享会 精品专题 || 精彩推文
联系我们
- 欢迎赐稿： 欢迎将您的文章或笔记投稿至
Stata连享会(公众号: StataChina)，我们会保留您的署名；录用稿件达五篇以上，即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。 - 意见和资料： 欢迎您的宝贵意见，您也可以来信索取推文中提及的程序和数据。
- 招募英才： 欢迎加入我们的团队，一起学习 Stata。合作编辑或撰写稿件五篇以上，即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
- 联系邮件： [email protected]
往期精彩推文
- Stata连享会推文列表
- Stata连享会 精品专题 || 精彩推文
