Stataとの比較#
Stataから来る可能性のあるユーザーのために、このページは、異なるStata操作をpandasでどのように実行するかを示すことを目的としています。
pandasが初めての場合は、まず10 Minutes to pandasを読んで、ライブラリに慣れておくことをお勧めします。
慣例に従い、pandasとNumPyを次のようにインポートします。
In [1]: import pandas as pd
In [2]: import numpy as np
データ構造#
一般的な用語の翻訳#
pandas |
Stata |
|---|---|
|
データセット |
列 |
変数 |
行 |
観測値 |
groupby |
bysort |
|
|
DataFrame#
pandasのDataFrameは、Stataのデータセットに似ています。これは、異なる型のラベル付き列を持つ2次元データソースです。このドキュメントで示すように、Stataのデータセットに適用できるほとんどすべての操作は、pandasでも実行できます。
Series#
Seriesは、DataFrameの1列を表すデータ構造です。Stataには単一列用の個別のデータ構造はありませんが、一般的に、Seriesを扱うことは、Stataのデータセットの列を参照することに似ています。
Index#
すべてのDataFrameとSeriesにはIndexがあります。これはデータの行に付与されるラベルです。Stataには正確に同様の概念はありません。Stataでは、データセットの行は、_nでアクセスできる暗黙の整数インデックスを除いて、基本的にラベル付けされていません。
pandasでは、インデックスが指定されていない場合、デフォルトで整数インデックスが使用されます（最初の行 = 0、2番目の行 = 1、など）。ラベル付きIndexまたはMultiIndexを使用することで洗練された分析が可能になり、最終的にはpandasを理解する上で重要な部分ですが、この比較ではIndexを実質的に無視し、DataFrameを列のコレクションとして扱います。Indexを効果的に使用する方法の詳細については、インデックス作成のドキュメントを参照してください。
コピーとインプレース操作#
ほとんどのpandas操作は、Series/DataFrameのコピーを返します。変更を「永続化」するには、新しい変数に割り当てるか、
sorted_df = df.sort_values("col1")
または元の変数を上書きする必要があります。
df = df.sort_values("col1")
注
一部のメソッドでは、inplace=Trueまたはcopy=Falseというキーワード引数が利用できます。
df.replace(5, inplace=True)
inplaceとcopyを、ごく一部のメソッド（replaceを含む）を除いて、ほとんどのメソッド（例：dropna）で非推奨にして削除することについて活発な議論が行われています。Copy-on-Writeのコンテキストでは、両方のキーワードはもう必要なくなります。提案はこちらで確認できます。
データの入出力#
値からのDataFrameの構築#
Stataデータセットは、inputステートメントの後にデータを配置し、列名を指定することで、指定された値から構築できます。
input x y
1 2
3 4
5 6
end
pandasのDataFrameはさまざまな方法で構築できますが、少数の値の場合は、キーが列名で値がデータであるPython辞書として指定するのが便利なことがよくあります。
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
外部データの読み込み#
Stataと同様に、pandasもさまざまな形式からデータを読み込むためのユーティリティを提供しています。pandasのテスト内にあるtipsデータセット（csv）は、以下の多くの例で使用されます。
Stataは、csvデータをメモリ内のデータセットに読み込むためにimport delimitedを提供しています。tips.csvファイルが現在の作業ディレクトリにある場合、次のようにインポートできます。
import delimited tips.csv
pandasのメソッドはread_csv()であり、同様に動作します。さらに、URLが指定された場合はデータセットを自動的にダウンロードします。
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]
import delimitedと同様に、read_csv()は、データの解析方法を指定するための多くのパラメータを受け取ることができます。例えば、データがタブ区切りで、列名がなく、現在の作業ディレクトリに存在する場合、pandasのコマンドは次のようになります。
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は、read_stata()関数を使用して、.dta形式のStataデータセットも読み込むことができます。
df = pd.read_stata("data.dta")
pandasは、テキスト/csvおよびStataファイルに加えて、Excel、SAS、HDF5、Parquet、SQLデータベースなど、さまざまなデータ形式をサポートしています。これらはすべてpd.read_*関数を介して読み込まれます。詳細については、IOドキュメントを参照してください。
出力の制限#
デフォルトでは、pandasは大きなDataFrameの出力を最初の行と最後の行を表示するように切り詰めます。これは、pandasのオプションを変更するか、DataFrame.head()またはDataFrame.tail()を使用することで上書きできます。
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での同等の操作は次のようになります。
list in 1/5
データのエクスポート#
Stataのimport delimitedの逆はexport delimitedです。
export delimited tips2.csv
同様にpandasでは、read_csvの反対はDataFrame.to_csv()です。
tips.to_csv("tips2.csv")
pandasは、DataFrame.to_stata()メソッドを使用してStataファイル形式にエクスポートすることもできます。
tips.to_stata("tips2.dta")
データ操作#
列に対する操作#
Stataでは、generateおよびreplaceコマンドを使って、新しい列または既存の列に任意の数学式を使用できます。dropコマンドはデータセットから列を削除します。
replace total_bill = total_bill - 2
generate new_bill = total_bill / 2
drop new_bill
pandasは、DataFrame内の個々のSeriesを指定することでベクトル化された操作を提供します。新しい列は同じ方法で割り当てることができます。DataFrame.drop()メソッドは、DataFrameから列を削除します。
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)
フィルタリング#
Stataでのフィルタリングは、1つまたは複数の列に対するif句で行われます。
list if total_bill > 10
DataFrameは複数の方法でフィルタリングできますが、最も直感的な方法はブールインデックスを使用することです。
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]
上記のステートメントは、単にTrue/FalseオブジェクトのSeriesをDataFrameに渡し、Trueを持つすべての行を返します。
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]
if/thenロジック#
Stataでは、新しい列を作成するためにif句を使用することもできます。
generate bucket = "low" if total_bill < 10
replace bucket = "high" if total_bill >= 10
pandasでは、numpyのwhereメソッドを使って同じ操作を実行できます。
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]
日付機能#
Stataは、日付/日時列に対する操作を行うための様々な関数を提供しています。
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
同等のpandas操作を以下に示します。これらの関数に加えて、pandasはStataにはない他の時系列機能（タイムゾーン処理やカスタムオフセットなど）もサポートしています。詳細については、時系列ドキュメントを参照してください。
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]
列の選択#
Stataは、列を選択、削除、および名前変更するためのキーワードを提供しています。
keep sex total_bill tip
drop sex
rename total_bill total_bill_2
同じ操作は、以下のようにpandasで表現されます。
特定の列を保持する#
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]
列を削除する#
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]
列の名前を変更する#
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]
値によるソート#
Stataでのソートはsortによって行われます。
sort sex total_bill
pandasにはDataFrame.sort_values()メソッドがあり、ソートする列のリストを受け取ります。
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]
文字列処理#
文字列の長さを調べる#
Stataは、ASCII文字列とUnicode文字列の文字長をそれぞれstrlen()関数とustrlen()関数で決定します。
generate strlen_time = strlen(time)
generate ustrlen_time = ustrlen(time)
Series.str.len()を使用して文字列の長さを取得できます。Python 3では、すべての文字列がUnicode文字列です。lenは末尾の空白を含みます。末尾の空白を除外するにはlenとrstripを使用します。
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
部分文字列の位置を検索する#
Stataは、strpos()関数を使って文字列中の文字の位置を決定します。これは、最初の引数で定義された文字列を受け取り、2番目の引数として指定した部分文字列の最初の位置を検索します。
generate str_position = strpos(sex, "ale")
文字列の列内の文字の位置は、Series.str.find()メソッドで検索できます。findは部分文字列の最初の位置を検索します。部分文字列が見つかった場合、その位置を返します。見つからない場合は-1を返します。Pythonのインデックスはゼロベースであることに注意してください。
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
位置による部分文字列の抽出#
Stataは、substr()関数を使って、位置に基づいて文字列から部分文字列を抽出します。
generate short_sex = substr(sex, 1, 1)
pandasでは、[]表記を使用して、位置によって文字列から部分文字列を抽出できます。Pythonのインデックスはゼロベースであることに注意してください。
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
N番目の単語を抽出する#
Stataのword()関数は、文字列からN番目の単語を返します。最初の引数は解析したい文字列で、2番目の引数は抽出したい単語を指定します。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate first_name = word(name, 1)
generate last_name = word(name, -1)
pandasで単語を抽出する最も簡単な方法は、文字列をスペースで分割し、インデックスで単語を参照することです。必要に応じて、より強力なアプローチがあることに注意してください。
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
ケースの変更#
Stataのstrupper()、strlower()、strproper()、ustrupper()、ustrlower()、およびustrtitle()関数は、それぞれASCII文字列とUnicode文字列のケースを変更します。
clear
input str20 string
"John Smith"
"Jane Cook"
end
generate upper = strupper(string)
generate lower = strlower(string)
generate title = strproper(string)
list
同等のpandasメソッドは、Series.str.upper()、Series.str.lower()、およびSeries.str.title()です。
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
マージ#
以下のテーブルはマージの例で使用されます。
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
Stataでは、マージを実行するには、一方のデータセットがメモリにあり、もう一方がディスク上のファイル名として参照されている必要があります。対照的に、Pythonでは両方のDataFramesがすでにメモリにある必要があります。
Stataはデフォルトで外部結合を実行し、マージ後も両方のデータセットのすべての観測値がメモリに残されます。_merge変数で作成された値を使用して、初期データセットからの観測値のみ、マージされたデータセットからの観測値のみ、または両方の交差部分からの観測値のみを保持することができます。
* 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には、同様の機能を提供するmerge()メソッドがあります。データは事前にソートされている必要はなく、異なる結合タイプはhowキーワードによって実現されます。
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
欠損データ#
pandasとStataの両方に欠損データの表現があります。
pandasは、欠損データを特別な浮動小数点値NaN（非数）で表します。多くのセマンティクスは同じです。例えば、欠損データは数値演算を通じて伝播し、集計ではデフォルトで無視されます。
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
1つの違いは、欠損データをそのセンチネル値と比較できないことです。例えば、Stataでは、欠損値をフィルタリングするためにこれを行うことができます。
* Keep missing values
list if value_x == .
* Keep non-missing values
list if value_x != .
pandasでは、Series.isna()およびSeries.notna()を使用して行をフィルタリングできます。
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は、欠損データを扱うための様々なメソッドを提供しています。以下にいくつかの例を示します。
欠損値のある行を削除する#
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
前の行から前方に埋める#
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
欠損値を指定された値で置換する#
平均を使用する
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#
集計#
Stataのcollapseは、1つまたは複数のキー変数でグループ化し、数値列に対して集計を計算するために使用できます。
collapse (sum) total_bill tip, by(sex smoker)
pandasは、同様の集計を可能にする柔軟なgroupbyメカニズムを提供します。詳細と例については、groupbyドキュメントを参照してください。
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
変換#
Stataでは、グループ集計を元のデータセットで使用する必要がある場合、通常、egen()とともにbysortを使用します。例えば、喫煙者グループごとに各観測値から平均を減算する場合。
bysort sex smoker: egen group_bill = mean(total_bill)
generate adj_total_bill = total_bill - group_bill
pandasは、これらの種類の操作を1つの操作で簡潔に表現できる変換メカニズムを提供します。
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]
グループごとの処理#
集計に加えて、pandasのgroupbyは、Stataの他のほとんどのbysort処理を再現するために使用できます。例えば、次の例は、性別/喫煙者グループごとの現在のソート順での最初の観測値をリストします。
bysort sex smoker: list if _n == 1
pandasでは、これは次のように書かれます。
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
その他の考慮事項#
ディスクとメモリ#
pandasとStataはどちらも排他的にメモリ上で動作します。これは、pandasにロードできるデータのサイズがマシンのメモリによって制限されることを意味します。アウトオブコア処理が必要な場合、1つの可能性として、ディスク上のDataFrameに対してpandas機能のサブセットを提供するdask.dataframeライブラリがあります。