如何按因子（分类）变量水平计算连续变量的汇总统计量？

以下是主流统计工具的常用命令，以GPA（连续变量）和grade（分类变量，取值9th/10th/11th/12th）为例：

R语言 #

方法1：基础R函数aggregate #

无需额外安装包，直接用基础函数实现：

# 假设数据存储在名为df的数据框中
aggregate(GPA ~ grade, data = df, FUN = function(x) {
  c(
    mean = mean(x, na.rm = TRUE),
    std = sd(x, na.rm = TRUE),
    min = min(x, na.rm = TRUE),
    max = max(x, na.rm = TRUE),
    n_obs = length(x)
  )
})

na.rm = TRUE用于忽略缺失值，可根据数据实际情况调整。

方法2：dplyr包（管道语法更易读） #

先安装并加载dplyr包：

library(dplyr)
df %>%
  group_by(grade) %>%
  summarise(
    mean_GPA = mean(GPA, na.rm = TRUE),
    std_GPA = sd(GPA, na.rm = TRUE),
    min_GPA = min(GPA, na.rm = TRUE),
    max_GPA = max(GPA, na.rm = TRUE),
    n_obs = n()
  )

Stata #

使用tabstat命令一步输出所需统计量：

tabstat GPA, by(grade) stat(mean sd min max count)

stat()括号内的参数对应目标统计量，count即为观测数。

Python（Pandas） #

利用Pandas的groupby+agg组合实现：

import pandas as pd
# 假设数据存储在名为df的数据框中
df.groupby('grade')['GPA'].agg(
    mean='mean',
    std='std',
    min='min',
    max='max',
    n_obs='count'
)

默认自动忽略缺失值，若需保留缺失值统计可调整参数。

内容的提问来源于stack exchange，提问作者sili