Python处理Stata西班牙数据集：数值标签翻译对应异常修复求助

问题说明 #

有一个包含2500+变量的西班牙语Stata数据集，需将数值标签（value labels）翻译为英文。使用Google API测试时，选取10条观测值和p4、p5两个变量，出现数值标签对应错误：原p4变量的数值编码为4、6、7、8、9、10，翻译后的数据集里p4的编码变为0-5，原编码与标签的对应关系完全错乱。

问题根源 #

原代码中直接替换分类变量的标签文本后重新转换为category类型，pandas会自动生成从0开始的新编码，完全丢失了Stata数据集中原始的数值编码与标签的对应关系。

修改后的代码 #

import pandas as pd
from googletrans import Translator
from pandas.io.stata import StataReader

# 初始化翻译器
translator = Translator()

# 读取Stata数据集，保留原始数值编码
reader = StataReader('C:\\transl_trial.dta')
df = reader.read(convert_categoricals=False)

# 获取所有变量的原始value labels映射
value_labels = reader.value_labels()

# 需要翻译的变量列表
columns_to_translate = ['p4', 'p5']

for col in columns_to_translate:
    # 获取当前变量的原始数值-标签映射
    original_map = value_labels[col]
    # 翻译标签文本，保留原始数值编码
    translated_map = {}
    for code, label in original_map.items():
        translated_text = translator.translate(label, src='es', dest='en').text
        translated_map[code] = translated_text
    
    # 将变量转换为带有原始编码和翻译后标签的分类变量
    df[col] = pd.Categorical(df[col], categories=translated_map.keys(), ordered=False)
    df[col].cat.rename_categories(translated_map, inplace=True)

# 保存翻译后的数据集
output_path = r'C:\\translated_dataset.dta'
df.to_stata(output_path, write_index=False)

关键改动说明 #

• 使用StataReader读取数据，通过convert_categoricals=False保留原始的数值编码，而非直接转换为pandas默认的分类编码。
• 从reader.value_labels()获取Stata原生的数值-标签映射，确保翻译时不会丢失原始编码信息。
• 重新创建分类变量时，指定categories为原始数值编码，再用翻译后的标签重命名分类，完全保留原编码与标签的对应关系。

内容的提问来源于stack exchange，提问作者Aleesha