Сравнение с Stata#
Для потенциальных пользователей, знакомых с Stata эта страница предназначена для демонстрации того, как различные операции Stata выполняются в pandas.
Если вы новичок в pandas, возможно, вам сначала стоит прочитать 10 минут до pandas чтобы ознакомиться с библиотекой.
Как принято, мы импортируем pandas и NumPy следующим образом:
In [1]: import pandas as pd
In [2]: import numpy as np
Структуры данных#
Общий перевод терминологии#
pandas |
Stata |
|---|---|
|
набор данных |
столбец |
переменная |
строка |
наблюдение |
groupby |
bysort |
|
|
DataFrame#
A DataFrame в pandas аналогичен набору данных Stata – двумерному
источнику данных с помеченными столбцами, которые могут быть разных типов. Как будет
показано в этом документе, почти любую операцию, которую можно применить к набору данных
в Stata, также можно выполнить в pandas.
Series#
A Series это структура данных, представляющая один столбец
DataFrame. Stata не имеет отдельной структуры данных для одного столбца,
но в целом, работа с Series аналогично ссылке на столбец набора данных в Stata.
Index#
Каждый DataFrame и Series имеет Index – метки на
строки данных. В Stata нет точно аналогичного понятия. В Stata строки набора данных
по сути не имеют меток, кроме неявного целочисленного индекса, который можно
получить с помощью _n.
В pandas, если индекс не указан, по умолчанию также используется целочисленный индекс
(первая строка = 0, вторая строка = 1 и так далее). При использовании помеченного Index или
MultiIndex может обеспечить сложный анализ и в конечном итоге является важной
частью pandas для понимания, но для этого сравнения мы в основном проигнорируем
Index и просто рассматривать DataFrame как коллекцию столбцов. Пожалуйста,
см. документация по индексированию для получения дополнительной информации о том, как использовать
Index эффективно.
Копии vs. операции на месте#
Большинство операций pandas возвращают копии Series/DataFrame. Чтобы изменения "сохранились",
вам нужно либо присвоить новой переменной:
sorted_df = df.sort_values("col1")
или перезаписать исходный:
df = df.sort_values("col1")
Примечание
Вы увидите inplace=True или copy=False аргумент ключевого слова доступен для
некоторых методов:
df.replace(5, inplace=True)
Идет активное обсуждение об устаревании и удалении inplace и copy для
большинства методов (например, dropna) за исключением очень небольшого подмножества методов
(включая replace). Оба ключевых слова больше не будут необходимы в контексте Copy-on-Write. Предложение можно найти
здесь.
Ввод / вывод данных#
Создание DataFrame из значений#
Набор данных Stata можно создать из указанных значений, разместив данные после input оператор и
указание имен столбцов.
input x y
1 2
3 4
5 6
end
Pandas DataFrame может быть построен множеством различных способов,
но для небольшого количества значений часто удобно задавать его как
словарь Python, где ключи - это имена столбцов,
а значения - данные.
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
Чтение внешних данных#
Как и Stata, pandas предоставляет утилиты для чтения данных из множества форматов. tips набор данных, найденный в тестах pandas (csv)
будет использоваться во многих следующих примерах.
Stata предоставляет import delimited для чтения csv-данных в набор данных в памяти.
Если tips.csv файл находится в текущем рабочем каталоге, мы можем импортировать его следующим образом.
import delimited tips.csv
Метод pandas - это read_csv(), который работает аналогично. Кроме того, он автоматически загрузит
набор данных, если ему предоставлен URL.
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]
Как import delimited, read_csv() может принимать ряд параметров для указания
того, как данные должны быть разобраны. Например, если данные были разделены табуляцией,
не имели имен столбцов и находились в текущей рабочей директории,
команда pandas была бы:
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 также может читать наборы данных Stata в .dta формат с read_stata() функция.
df = pd.read_stata("data.dta")
В дополнение к текстовым/CSV и Stata файлам, pandas поддерживает множество других форматов данных,
таких как Excel, SAS, HDF5, Parquet и SQL базы данных. Все они читаются через pd.read_*
функции. См. Документация по вводу-выводу для получения дополнительной информации.
Ограничение вывода#
По умолчанию pandas будет обрезать вывод больших DataFrames для отображения первых и последних строк.
Это можно переопределить с помощью изменение параметров pandas, или используя
DataFrame.head() или 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
Эквивалент в Stata будет:
list in 1/5
Экспорт данных#
Обратная величина import delimited в Stata это export delimited
export delimited tips2.csv
Аналогично в pandas, противоположностью read_csv является DataFrame.to_csv().
tips.to_csv("tips2.csv")
pandas также может экспортировать в формат файлов Stata с помощью DataFrame.to_stata() метод.
tips.to_stata("tips2.dta")
Операции с данными#
Операции со столбцами#
В Stata произвольные математические выражения можно использовать с generate и
replace команды для новых или существующих столбцов. drop команда удаляет
столбец из набора данных.
replace total_bill = total_bill - 2
generate new_bill = total_bill / 2
drop new_bill
pandas предоставляет векторизованные операции путем указания отдельных Series в
DataFrameНовые столбцы могут быть назначены аналогичным образом. DataFrame.drop() метод удаляет
столбец из 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)
Фильтрация#
Фильтрация в Stata выполняется с помощью if clause по одному или нескольким столбцам.
list if total_bill > 10
DataFrames могут быть отфильтрованы несколькими способами; наиболее интуитивным из которых является использование булевую индексацию.
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]
Приведённое выражение просто передаёт Series of True/False объекты в DataFrame,
возвращая все строки с 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]:
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]
Логика if/then#
В Stata, if Предложение также может использоваться для создания новых столбцов.
generate bucket = "low" if total_bill < 10
replace bucket = "high" if total_bill >= 10
Та же операция в pandas может быть выполнена с использованием where метод из 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]
Функциональность дат#
Stata предоставляет множество функций для выполнения операций с столбцами даты/времени.
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
Эквивалентные операции pandas показаны ниже. В дополнение к этим функциям, pandas поддерживает другие возможности работы с временными рядами, недоступные в Stata (например, обработку часовых поясов и пользовательские смещения) – см. документация по временным рядам для получения дополнительной информации.
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]
Выбор столбцов#
Stata предоставляет ключевые слова для выбора, удаления и переименования столбцов.
keep sex total_bill tip
drop sex
rename total_bill total_bill_2
Те же операции выражены в pandas ниже.
Оставить определенные столбцы#
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]
Удалить столбец#
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]
Переименовать столбец#
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]
Сортировка по значениям#
Сортировка в Stata выполняется с помощью sort
sort sex total_bill
pandas имеет DataFrame.sort_values() метода, который принимает список столбцов для сортировки.
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]
Обработка строк#
Определение длины строки#
Stata определяет длину строки символов с помощью strlen() и
ustrlen() функции для строк ASCII и Unicode соответственно.
generate strlen_time = strlen(time)
generate ustrlen_time = ustrlen(time)
Вы можете найти длину строки символов с помощью Series.str.len().
В Python 3 все строки являются строками Unicode. len включает завершающие пробелы.
Используйте len и rstrip для исключения завершающих пробелов.
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
Поиск позиции подстроки#
Stata определяет позицию символа в строке с помощью strpos() функция.
Она принимает строку, определенную первым аргументом, и ищет
первую позицию подстроки, которую вы указываете в качестве второго аргумента.
generate str_position = strpos(sex, "ale")
Вы можете найти позицию символа в столбце строк с помощью Series.str.find()
метод. find ищет первую позицию подстроки. Если подстрока найдена, метод возвращает её позицию. Если не найдена, возвращает -1Имейте в виду, что индексы в Python начинаются с нуля.
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
Извлечение подстроки по позиции#
Stata извлекает подстроку из строки на основе её позиции с помощью substr() функция.
generate short_sex = substr(sex, 1, 1)
С pandas вы можете использовать [] нотация для извлечения подстроки
из строки по позициям. Помните, что в Python
индексация начинается с нуля.
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
Извлечение n-го слова#
Stata word() функция возвращает n-ное слово из строки. Первый аргумент — строка, которую нужно разобрать, а второй аргумент указывает, какое слово нужно извлечь.
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate first_name = word(name, 1)
generate last_name = word(name, -1)
Самый простой способ извлечь слова в pandas — разделить строки по пробелам, затем обратиться к слову по индексу. Обратите внимание, что существуют более мощные подходы, если они вам понадобятся.
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
Изменение регистра#
Stata strupper(), strlower(), strproper(),
ustrupper(), ustrlower(), и ustrtitle() функции
изменяют регистр ASCII и Unicode строк соответственно.
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate upper = strupper(string)
generate lower = strlower(string)
generate title = strproper(string)
list
Эквивалентные методы pandas: Series.str.upper(), Series.str.lower(), и
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
Слияние#
Следующие таблицы будут использоваться в примерах слияния:
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
В Stata для выполнения слияния один набор данных должен находиться в памяти,
а другой должен быть указан как имя файла на диске. В отличие от этого,
в Python должны быть оба DataFrames уже в памяти.
По умолчанию Stata выполняет внешнее соединение, где все наблюдения
из обоих наборов данных остаются в памяти после слияния. Можно
оставить только наблюдения из исходного набора данных, объединенного набора данных
или пересечения двух, используя значения, созданные в
_merge переменная.
* 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 имеют merge() метод, который предоставляет аналогичную функциональность.
Данные не нужно предварительно сортировать, а различные типы объединений выполняются с помощью
how ключевое слово.
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
Отсутствующие данные#
И pandas, и Stata имеют представление для пропущенных данных.
pandas представляет отсутствующие данные специальным значением с плавающей точкой NaN (не число). Многие семантики совпадают; например, пропущенные данные распространяются через числовые операции и по умолчанию игнорируются при агрегациях.
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
Одно отличие заключается в том, что пропущенные данные нельзя сравнивать с их сторожевой величиной. Например, в Stata вы могли бы сделать это для фильтрации пропущенных значений.
* Keep missing values
list if value_x == .
* Keep non-missing values
list if value_x != .
В pandas, Series.isna() и Series.notna() можно использовать для фильтрации строк.
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 предоставляет различные методы работы с пропущенными данными. Вот несколько примеров:
Удаление строк с пропущенными значениями#
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
Заполнение вперед из предыдущих строк#
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
Замена пропущенных значений указанным значением#
Использование среднего значения:
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#
Агрегация#
Stata collapse может использоваться для группировки по одной или
нескольким ключевым переменным и вычисления агрегаций по
числовым столбцам.
collapse (sum) total_bill tip, by(sex smoker)
pandas предоставляет гибкий groupby механизм, позволяющий выполнять аналогичные агрегации. См.
документация по groupby для получения дополнительной информации и примеров.
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
Преобразование#
В Stata, если агрегации групп нужно использовать с
исходным набором данных, обычно используют bysort с egen().
Например, чтобы вычесть среднее значение для каждого наблюдения по группе курящих.
bysort sex smoker: egen group_bill = mean(total_bill)
generate adj_total_bill = total_bill - group_bill
pandas предоставляет Преобразование механизм, позволяющий выражать такие операции кратко в одной операции.
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]
Обработка по группам#
В дополнение к агрегации, pandas groupby может использоваться для
воспроизведения большинства других bysort обработки из Stata. Например,
следующий пример перечисляет первое наблюдение в текущем
порядке сортировки по группе пол/курильщик.
bysort sex smoker: list if _n == 1
В pandas это будет записано как:
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
Другие соображения#
Диск vs память#
pandas и Stata работают исключительно в памяти. Это означает, что размер
данных, которые можно загрузить в pandas, ограничен памятью вашей машины.
Если требуется обработка вне ядра, одной из возможностей является
dask.dataframe
библиотека, которая предоставляет подмножество функциональности pandas для
работы на диске DataFrame.