Python vs Stata 的数据准备
Python vs Stata in data preparation
我知道这不太可能，但我不明白为什么 Python 在简单操作后输出略有不同的数据集，我认为这与我在 Stata 中所做的相同。
所以，Stata：
use "filename", clear
drop if varname < 1500
sum
STATA（原始数据）
观测值：610
平均值：1339.482
标准：17.27477
最小值：1304
最大值：1368
正在检查是否遗漏 (mdesc varname)
失踪：10953
总计：11563
缺失百分比：94.72
STATA（在drop if varname < 1500之后）：
varname |obs: 389 mean: 1350.599 Std.Dev.: 9.564949 最小值: 1333 最大值: 1368
类型：浮动
同时，Python：
import pandas as pd
df = pd.read_stata("filename.dta", convert_missing = False)
df = df[df.varname<1500]
df.describe()
PYTHON（原始数据：df=pd.read_stata("filename.dta")）：varname
计数：610
均值：1339.481934
标准：17.274755
最小值：1304.000000
25%：1326.000000
50%：1341.000000
75%：1353.000000
最大值：1368.000000
df.isnull().sum()
变量名 10953
所以 Stata 和 Python 中原始数据中缺失的数量相同，但删除后我得到两个不同的数据集。
PYTHON，在df = df[df.varname<1500]##
之后
计数：288.000000
均值：1325.760376
标准：13.369122
最小值：1304.000000
25%：1316.000000
50%：1325.000000
75%：1332.000000
最大值：1365.000000
具体而言，差异在于观察次数。对于某些变量，存在模式差异，即 Stata：11 342 obs，Python：5064 obs（少两倍）。对于某些变量，差异不是模式化的，只是不同的值。汇总统计并没有太大的不同，而是不同。
我是 Python 的新手，如果它确实有可能以不同于 Stata 的方式处理数据，请您分享一下？
编辑：
我发现我输错了，而不是 df = df[df.varname<1500]，我应该输入 df_new = df.drop(df[df.varname< 1500].index)。我不知道有什么区别，但现在我有了我需要的数据集。感谢大家的光临！
我猜你误解了 df[] 子句中布尔运算的行为。
在pandas中，df[statement]里面的语句必须是True，这样才能被选中。
在您的示例中，df = df[df.varname<1500] 将 returns df.varname<1500 的 True。所以你会得到那些满足 df.varname<1500 的行，而不是丢弃它们。
我知道这不太可能，但我不明白为什么 Python 在简单操作后输出略有不同的数据集，我认为这与我在 Stata 中所做的相同。 所以，Stata：
use "filename", clear
drop if varname < 1500
sum
STATA（原始数据）
观测值：610
平均值：1339.482
标准：17.27477
最小值：1304
最大值：1368
正在检查是否遗漏 (mdesc varname)
失踪：10953
总计：11563
缺失百分比：94.72
STATA（在drop if varname < 1500之后）：
varname |obs: 389 mean: 1350.599 Std.Dev.: 9.564949 最小值: 1333 最大值: 1368
类型：浮动
同时，Python：
import pandas as pd
df = pd.read_stata("filename.dta", convert_missing = False)
df = df[df.varname<1500]
df.describe()
PYTHON（原始数据：df=pd.read_stata("filename.dta")）：varname
计数：610
均值：1339.481934
标准：17.274755
最小值：1304.000000
25%：1326.000000
50%：1341.000000
75%：1353.000000
最大值：1368.000000
df.isnull().sum()
变量名 10953
所以 Stata 和 Python 中原始数据中缺失的数量相同，但删除后我得到两个不同的数据集。
PYTHON，在df = df[df.varname<1500]##
之后
计数：288.000000
均值：1325.760376
标准：13.369122
最小值：1304.000000
25%：1316.000000
50%：1325.000000
75%：1332.000000
最大值：1365.000000
具体而言，差异在于观察次数。对于某些变量，存在模式差异，即 Stata：11 342 obs，Python：5064 obs（少两倍）。对于某些变量，差异不是模式化的，只是不同的值。汇总统计并没有太大的不同，而是不同。 我是 Python 的新手，如果它确实有可能以不同于 Stata 的方式处理数据，请您分享一下？
编辑：
我发现我输错了，而不是 df = df[df.varname<1500]，我应该输入 df_new = df.drop(df[df.varname< 1500].index)。我不知道有什么区别，但现在我有了我需要的数据集。感谢大家的光临！
我猜你误解了 df[] 子句中布尔运算的行为。
在pandas中，df[statement]里面的语句必须是True，这样才能被选中。
在您的示例中，df = df[df.varname<1500] 将 returns df.varname<1500 的 True。所以你会得到那些满足 df.varname<1500 的行，而不是丢弃它们。