如何从含binary与ordinal数据的nominal数据集中筛选binary数据做univariate分析及logistic回归？

一、筛选二元数据的工具/命令 #

Python 环境 #

• Pandas：最直接的方式是通过判断列的唯一值数量或取值范围来筛选

  import pandas as pd
  
  # 假设数据集为 df
  # 筛选唯一值数量为2的列（宽松匹配，包含yes/no、True/False等二元标识）
  binary_cols = [col for col in df.columns if df[col].nunique() == 2]
  # 严格筛选仅含0/1的二元列
  binary_cols_strict = [col for col in df.columns if set(df[col].dropna().unique()).issubset({0, 1})]
  # 提取二元数据子集
  df_binary = df[binary_cols]
  

• Scikit-learn：可结合LabelBinarizer辅助判断，但更适合预处理阶段同步筛选，不如Pandas直接高效。

R 环境 #

• Base R：通过遍历列判断唯一值属性

  # 假设数据集为 df
  # 筛选唯一值数量为2的列
  binary_cols <- names(df)[sapply(df, function(x) length(unique(x)) == 2)]
  # 严格筛选仅含0/1的列
  binary_cols_strict <- names(df)[sapply(df, function(x) all(na.omit(x) %in% c(0, 1)))]
  # 提取二元数据子集
  df_binary <- df[, binary_cols]
  

• Dplyr：用select_if实现简洁筛选

  library(dplyr)
  df_binary <- df %>% select_if(function(x) length(unique(x)) == 2)
  

二、单变量逻辑回归的变量解析（提取P值） #

Python（Statsmodels 实现） #

假设已遍历二元自变量，结合二元因变量做逻辑回归，提取P值和优势比：

import statsmodels.api as sm
import numpy as np

# 假设因变量为 y（二元类型），数据集为 df
results = []
for col in binary_cols:
    X = sm.add_constant(df[col])  # 添加截距项
    model = sm.Logit(y, X).fit(disp=0)  # disp=0关闭拟合日志
    # 提取自变量的P值（排除截距项）
    p_val = model.pvalues[col]
    odds_ratio = np.exp(model.params[col])
    results.append({"变量名": col, "P值": p_val, "优势比": odds_ratio})

# 转为DataFrame查看结果
results_df = pd.DataFrame(results)

注：Sklearn的LogisticRegression默认不输出统计量，如需P值建议用Statsmodels，或手动计算Wald统计量。

R（Base R/Purrr 实现） #

Base R 循环版本

# 假设因变量为 y（二元0/1类型），数据集为 df
results_list <- list()
for (col in binary_cols) {
  formula <- as.formula(paste("y ~", col))
  model <- glm(formula, data = df, family = binomial(link = "logit"))
  # 提取自变量的P值
  p_val <- summary(model)$coefficients[col, "Pr(>|z|)"]
  odds_ratio <- exp(coef(model)[col])
  results_list[[col]] <- data.frame(变量名 = col, P值 = p_val, 优势比 = odds_ratio)
}

# 合并结果为数据框
results_df <- do.call(rbind, results_list)

Purrr 简化版本（替代for循环）

library(purrr)
library(dplyr)

results_df <- map_dfr(binary_cols, function(col) {
  formula <- as.formula(paste("y ~", col))
  model <- glm(formula, data = df, family = binomial)
  tibble(
    变量名 = col,
    P值 = summary(model)$coefficients[col, 4],
    优势比 = exp(coef(model)[col])
  )
})

注：若模型出现收敛警告，需检查自变量与因变量的相关性，或确认样本量是否充足。

内容的提问来源于stack exchange，提问作者lorrsto