如何比较单列数据集内分类变量各水平的频率？

针对包含a、b、c、d、e五个水平的单列分类变量，你可以通过描述性统计、可视化、统计检验三个维度来比较各水平的频率，具体方法如下：

1. 计算频率/占比（描述性统计） #

先直接计算每个水平的绝对频数和相对频率，这是最基础的对比步骤：

R 实现 #

# 假设你的数据框是df，分类列名为cat_col
freq_table <- table(df$cat_col)  # 计算各水平绝对出现次数
prop_table <- prop.table(freq_table) * 100  # 转换为百分比占比
print(freq_table)
print(prop_table)

运行后可直接对比各水平的数值差异。

Python 实现 #

import pandas as pd

# 假设数据框是df，分类列名为cat_col
freq_table = df['cat_col'].value_counts()  # 绝对频数
prop_table = df['cat_col'].value_counts(normalize=True) * 100  # 百分比占比
print(freq_table)
print(prop_table)

2. 可视化对比 #

用图表直观展示频率差异，比数值更清晰：

R 实现（条形图） #

# 展示频数分布
barplot(freq_table, main = "各水平频数分布", xlab = "分类水平", ylab = "频数")
# 展示占比分布
barplot(prop_table, main = "各水平占比分布", xlab = "分类水平", ylab = "占比(%)")

Python 实现（seaborn条形图） #

import seaborn as sns
import matplotlib.pyplot as plt

# 频数分布
sns.countplot(x='cat_col', data=df)
plt.title('各水平频数分布')
plt.xlabel('分类水平')
plt.ylabel('频数')
plt.show()

# 占比分布
df['prop'] = df['cat_col'].map(df['cat_col'].value_counts(normalize=True)*100)
sns.barplot(x='cat_col', y='prop', data=df, ci=None)
plt.title('各水平占比分布')
plt.ylabel('占比(%)')
plt.show()

3. 统计检验（判断差异是否显著） #

如果需要验证各水平的频率是否存在统计学意义上的显著差异，可以用卡方拟合优度检验：

R 实现 #

# 原假设：各水平频率相等（每个水平理论占比20%）
chisq_result <- chisq.test(freq_table)
print(chisq_result)

若输出的p值小于0.05，则拒绝原假设，说明各水平频率存在显著差异。

Python 实现 #

from scipy.stats import chisquare

# 计算理论频数：假设各水平频率相等，总样本数除以5
total = len(df)
expected = [total/5]*5
chisq_result = chisquare(freq_table, f_exp=expected)
print(chisq_result)

同样，p值<0.05时，可认为各水平频率差异显著。

内容的提问来源于stack exchange，提问作者learningr