Python vs Stata vs R：语法对比速查

快速建立 Python 思维 —— 用你熟悉的 Stata/R 理解 Python

---

核心概念对比

1. 数据框（DataFrame）概念

所有三种语言的核心都是 二维数据表：

概念	Stata	R	Python (Pandas)
数据框	Dataset（内存中只能有一个）	data.frame	DataFrame（可以同时有多个）
变量（列）	Variable	Column	Column
观测（行）	Observation	Row	Row

关键区别：

• Stata：一次只能操作一个数据集
• R/Python：可以同时处理多个数据框

---

常用操作对比

操作 1：读取 CSV 文件

* Stata
import delimited "data.csv", clear

# R
df <- read.csv("data.csv")

# Python
import pandas as pd
df = pd.read_csv("data.csv")

---

操作 2：查看数据前几行

* Stata
list in 1/5
browse in 1/5

# R
head(df)

# Python
df.head()

---

操作 3：创建新变量

示例：创建收入对数

* Stata
gen log_income = log(income)

# R
df$log_income <- log(df$income)

# Python
df['log_income'] = np.log(df['income'])

---

操作 4：条件筛选

示例：筛选年龄大于 30 的观测

* Stata
keep if age > 30

# R
df_filtered <- df[df$age > 30, ]
# 或使用 dplyr
df_filtered <- df %>% filter(age > 30)

# Python
df_filtered = df[df['age'] > 30]

---

操作 5：分组汇总

示例：按国家计算平均收入

* Stata
collapse (mean) avg_income=income, by(country)

# R (base R)
aggregate(income ~ country, data=df, FUN=mean)

# R (dplyr)
df %>%
  group_by(country) %>%
  summarise(avg_income = mean(income))

# Python
df.groupby('country')['income'].mean()

# 或更详细的写法
df.groupby('country').agg({'income': 'mean'})

---

操作 6：描述性统计

* Stata
summarize income age education

# R
summary(df[c("income", "age", "education")])

# Python
df[['income', 'age', 'education']].describe()

---

操作 7：回归分析

示例：OLS 回归

* Stata
regress income education age i.gender

# R
model <- lm(income ~ education + age + factor(gender), data=df)
summary(model)

# Python (statsmodels，最接近 Stata)
import statsmodels.formula.api as smf
model = smf.ols('income ~ education + age + C(gender)', data=df).fit()
print(model.summary())

# 或使用 sklearn（更简洁，但输出不同）
from sklearn.linear_model import LinearRegression
X = df[['education', 'age']]
y = df['income']
model = LinearRegression().fit(X, y)

---

操作 8：合并数据

示例：按 country 合并两个数据集

* Stata
merge 1:1 country using "gdp_data.dta"

# R
merged <- merge(df1, df2, by="country", all=TRUE)

# R (dplyr)
merged <- df1 %>% full_join(df2, by="country")

# Python
merged = pd.merge(df1, df2, on='country', how='outer')

---

关键语法差异

1. 索引方式

操作	Stata	R	Python
选择列	income	df$income	df['income']
选择多列	keep income age	df[c("income", "age")]	df[['income', 'age']]
选择行	keep if age > 30	df[df$age > 30, ]	df[df['age'] > 30]

2. 赋值操作

操作	Stata	R	Python
创建新变量	gen x = 1	df$x <- 1	df['x'] = 1
替换变量	replace x = 2 if age > 30	df$x[df$age > 30] <- 2	df.loc[df['age'] > 30, 'x'] = 2

3. 缺失值

操作	Stata	R	Python
缺失值符号	.	NA	NaN 或 None
删除缺失值	drop if missing(income)	df <- na.omit(df)	df.dropna()
填充缺失值	replace income = 0 if missing(income)	df$income[is.na(df$income)] <- 0	df['income'].fillna(0)

---

思维转换：从 Stata/R 到 Python

Stata 用户的转换

Stata 的思维：一次只操作一个数据集

use "data1.dta", clear
gen new_var = old_var * 2
save "data1_new.dta", replace

Python 的思维：同时操作多个数据框

df1 = pd.read_csv("data1.csv")
df1['new_var'] = df1['old_var'] * 2
df1.to_csv("data1_new.csv")

# 可以同时有 df2, df3, ... 在内存中
df2 = pd.read_csv("data2.csv")

R 用户的转换

R 的思维：函数式编程

df %>%
  filter(age > 30) %>%
  mutate(log_income = log(income)) %>%
  group_by(country) %>%
  summarise(mean_income = mean(income))

Python 的思维：对象方法链（类似 R 的管道）

(df
 .query('age > 30')
 .assign(log_income=lambda x: np.log(x['income']))
 .groupby('country')
 .agg({'income': 'mean'})
)

---

实战示例：复刻 Stata 的经典分析

Stata 代码

* 1. 加载数据
use "survey_data.dta", clear

* 2. 数据清洗
drop if missing(income)
keep if age >= 18 & age <= 65

* 3. 创建新变量
gen log_income = log(income)
gen age_squared = age^2

* 4. 描述性统计
tabstat income education age, by(gender) stat(mean sd)

* 5. 回归分析
regress log_income education age age_squared i.gender

Python 等价代码

import pandas as pd
import numpy as np
import statsmodels.formula.api as smf

# 1. 加载数据
df = pd.read_stata("survey_data.dta")

# 2. 数据清洗
df = df.dropna(subset=['income'])
df = df[(df['age'] >= 18) & (df['age'] <= 65)]

# 3. 创建新变量
df['log_income'] = np.log(df['income'])
df['age_squared'] = df['age'] ** 2

# 4. 描述性统计
df.groupby('gender')[['income', 'education', 'age']].agg(['mean', 'std'])

# 5. 回归分析
model = smf.ols('log_income ~ education + age + age_squared + C(gender)', data=df).fit()
print(model.summary())

运行结果对比：Python 的输出与 Stata 几乎一致！

---

Python 的独特优势

1. 同时处理多个数据集

# 同时加载多个国家的数据
df_china = pd.read_csv("china_data.csv")
df_usa = pd.read_csv("usa_data.csv")
df_india = pd.read_csv("india_data.csv")

# 合并它们
df_all = pd.concat([df_china, df_usa, df_india])

2. 循环处理（比 Stata 更灵活）

# 对多个变量进行对数转换
for var in ['income', 'gdp', 'population']:
    df[f'log_{var}'] = np.log(df[var])

3. 直接调用外部 API

# Stata/R 很难做到的：直接从 API 获取数据
import requests
response = requests.get("https://api.worldbank.org/v2/country/CHN/indicator/NY.GDP.PCAP.CD?format=json")
data = response.json()

---

高级操作对比

操作 9：面板数据回归（固定效应）

示例：分析教育对工资的影响（控制个体固定效应）

* Stata - 非常简洁！
xtset individual_id year
xtreg wage education experience, fe

# R (plm package)
library(plm)
model <- plm(wage ~ education + experience,
             data = panel_data,
             index = c("individual_id", "year"),
             model = "within")
summary(model)

# Python (linearmodels)
from linearmodels.panel import PanelOLS

# 设置多重索引
panel_data = df.set_index(['individual_id', 'year'])

# 固定效应回归
model = PanelOLS.from_formula(
    'wage ~ education + experience + EntityEffects',
    data=panel_data
)
result = model.fit(cov_type='clustered', cluster_entity=True)
print(result.summary)

注释：Stata 在面板数据上最简洁，但 Python 的 linearmodels 功能同样强大。

---

操作 10：处理分类变量（因子编码）

* Stata - 自动处理
regress wage i.education_level i.industry

# R - 自动处理
model <- lm(wage ~ factor(education_level) + factor(industry),
            data = df)

# Python - 需要明确指定
import statsmodels.formula.api as smf

model = smf.ols('wage ~ C(education_level) + C(industry)',
                data=df).fit()
# 或使用 pd.get_dummies() 手动编码
df_encoded = pd.get_dummies(df,
                             columns=['education_level', 'industry'],
                             drop_first=True)

---

操作 11：时间序列操作

示例：计算滞后值和增长率

* Stata
tsset date
gen gdp_lag1 = L.gdp
gen gdp_growth = (gdp - L.gdp) / L.gdp

# R (dplyr)
df <- df %>%
  arrange(date) %>%
  mutate(gdp_lag1 = lag(gdp),
         gdp_growth = (gdp - lag(gdp)) / lag(gdp))

# Python (pandas)
df = df.sort_values('date')
df['gdp_lag1'] = df['gdp'].shift(1)
df['gdp_growth'] = df['gdp'].pct_change()

---

操作 12：字符串处理

示例：提取姓氏，转换大小写

* Stata
gen last_name = word(name, -1)
gen name_upper = upper(name)

# R (stringr)
library(stringr)
df$last_name <- word(df$name, -1)
df$name_upper <- str_to_upper(df$name)

# Python (pandas + str methods)
df['last_name'] = df['name'].str.split().str[-1]
df['name_upper'] = df['name'].str.upper()

# 或使用正则表达式
df['last_name'] = df['name'].str.extract(r'(\w+)$')

---

复杂分析流程对比

案例：完整的实证研究流程

研究问题：分析最低工资政策对就业的影响（DID 设计）

Stata 实现

* 1. 加载数据
use "employment_data.dta", clear

* 2. 数据清洗
drop if missing(employment, wage, treatment)
keep if year >= 2010 & year <= 2020

* 3. 生成交互项
gen post = (year >= 2015)
gen treated = (state == "CA")
gen did = post * treated

* 4. 描述性统计
tabstat employment, by(treated post) stat(mean sd n)

* 5. DID 回归
regress employment did treated post controls, cluster(state)

* 6. 平行趋势检验
forvalues y = 2010/2020 {
    gen year_`y' = (year == `y')
    gen treat_year_`y' = treated * year_`y'
}
regress employment treat_year_*, cluster(state)

Python 实现

import pandas as pd
import numpy as np
import statsmodels.formula.api as smf
import matplotlib.pyplot as plt

# 1. 加载数据
df = pd.read_stata("employment_data.dta")

# 2. 数据清洗
df = df.dropna(subset=['employment', 'wage', 'treatment'])
df = df[(df['year'] >= 2010) & (df['year'] <= 2020)]

# 3. 生成交互项
df['post'] = (df['year'] >= 2015).astype(int)
df['treated'] = (df['state'] == "CA").astype(int)
df['did'] = df['post'] * df['treated']

# 4. 描述性统计
summary = df.groupby(['treated', 'post'])['employment'].agg([
    ('mean', 'mean'),
    ('std', 'std'),
    ('n', 'count')
])
print(summary)

# 5. DID 回归（聚类标准误）
model = smf.ols('employment ~ did + treated + post + controls',
                data=df).fit(cov_type='cluster',
                             cov_kwds={'groups': df['state']})
print(model.summary())

# 6. 平行趋势检验
df['year_str'] = df['year'].astype(str)
model_parallel = smf.ols(
    'employment ~ C(year_str):treated + C(year_str) + controls',
    data=df
).fit(cov_type='cluster', cov_kwds={'groups': df['state']})

# 提取系数并可视化
coefs = model_parallel.params.filter(regex='year_str.*treated')
ci = model_parallel.conf_int().loc[coefs.index]

plt.figure(figsize=(10, 6))
plt.errorbar(range(len(coefs)), coefs,
             yerr=[(coefs - ci[0]), (ci[1] - coefs)],
             fmt='o-')
plt.axhline(y=0, color='red', linestyle='--')
plt.axvline(x=5, color='gray', linestyle='--', label='Treatment Year')
plt.title('Parallel Trends Test')
plt.xlabel('Year')
plt.ylabel('Treatment Effect')
plt.legend()
plt.show()

对比：

• Stata：代码更简洁（~20 行）
• Python：代码稍长（~40 行），但可视化和灵活性更强

---

数据可视化对比

案例：绘制回归结果的系数图

Stata

regress wage education experience female urban
coefplot, drop(_cons) xline(0)

R (ggplot2)

library(ggplot2)
library(broom)

model <- lm(wage ~ education + experience + female + urban,
            data = df)
coef_df <- tidy(model, conf.int = TRUE)

ggplot(coef_df, aes(x = estimate, y = term)) +
  geom_point() +
  geom_errorbarh(aes(xmin = conf.low, xmax = conf.high)) +
  geom_vline(xintercept = 0, linetype = "dashed") +
  theme_minimal() +
  labs(title = "Regression Coefficients",
       x = "Estimate", y = "Variable")

Python (matplotlib + seaborn)

import matplotlib.pyplot as plt
import seaborn as sns

model = smf.ols('wage ~ education + experience + female + urban',
                data=df).fit()

# 提取系数和置信区间
coefs = model.params.drop('Intercept')
ci = model.conf_int().drop('Intercept')

fig, ax = plt.subplots(figsize=(8, 6))
y_pos = range(len(coefs))

ax.errorbar(coefs, y_pos,
            xerr=[(coefs - ci[0]), (ci[1] - coefs)],
            fmt='o', capsize=5)
ax.axvline(x=0, color='red', linestyle='--', alpha=0.5)
ax.set_yticks(y_pos)
ax.set_yticklabels(coefs.index)
ax.set_xlabel('Coefficient Estimate')
ax.set_title('Regression Coefficients with 95% CI')
ax.grid(axis='x', alpha=0.3)
plt.tight_layout()
plt.show()

---

性能对比

大数据处理速度（100 万行数据）

操作	Stata	R (dplyr)	Python (pandas)
读取 CSV	~5 秒	~3 秒	~2 秒
分组汇总	~2 秒	~1 秒	~0.8 秒
合并数据	~4 秒	~2 秒	~1.5 秒
回归分析	~0.5 秒	~0.8 秒	~0.6 秒

注：Python + pandas 在大数据上通常最快，但 Stata 在回归分析上有优化。

---

️ 生态系统对比

Stata 的优势

• 计量经济学方法最全（IV、DID、RDD、PSM）
• 面板数据处理最简洁
• 回归输出格式最接近学术要求
• 社区集中（StataList，SSC）

R 的优势

• 统计方法最丰富（贝叶斯、生存分析、因子分析）
• 数据可视化（ggplot2）最优雅
• 开源免费
• CRAN 包生态庞大（2万+ 包）

Python 的优势

• 机器学习生态最强（sklearn、PyTorch、TensorFlow）
• 深度学习和 LLM 唯一选择
• 通用编程能力最强
• 数据工程工具最全（爬虫、API、数据库）
• 就业市场需求最大

---

学习建议

如果你是 Stata 用户

1. 重点学习 Pandas（80% 的 Stata 功能都能复刻）
2. 使用 statsmodels（输出格式最接近 Stata）
3. 记住：df['var'] ≈ Stata 的变量名
4. 学习路径：
   • Week 1: Pandas 基础（等同于 Stata 的数据操作）
   • Week 2: statsmodels 回归（等同于 Stata 的 regress）
   • Week 3: linearmodels 面板数据（等同于 Stata 的 xtreg）
   • Week 4: scikit-learn 机器学习（Stata 无法做到）

如果你是 R 用户

1. 学习 Pandas（类似 dplyr + data.table）
2. 使用 plotnine（Python 版本的 ggplot2）
3. 记住：Python 用 . 而不是 %>%
4. 学习路径：
   • Week 1: Python 基础语法（R 用户最快 3 天）
   • Week 2: Pandas（类似 tidyverse）
   • Week 3: Matplotlib/Seaborn（不如 ggplot2，但够用）
   • Week 4: sklearn + PyTorch（R 的弱项）

三语言混合使用策略

最佳实践：根据任务选择工具

数据清洗 → Python (pandas)
   ↓
描述性统计 → Stata/R（看个人习惯）
   ↓
传统计量 → Stata（面板数据、IV）
   ↓
机器学习 → Python (sklearn)
   ↓
文本分析 → Python (transformers)
   ↓
可视化 → R (ggplot2) 或 Python (seaborn)

---

下一步

在下一节中，我们将编写 第一个 Python 程序，体验 Python 的简洁和强大。

准备好了吗？