R语言分类变量重编码及多州组间统计对比实现问题咨询

直接通过numpy.where或者pandas.map都可以快速完成重编码，生成新列：

方法1：np.where实现（规则简单时推荐） #

import numpy as np
# 判定逻辑：回答为No时赋值0，其余（Yes/Maybe）赋值1
df['喜欢蓝色标识'] = np.where(df['你是否喜欢蓝色？'] == 'No', 0, 1)

方法2：map映射实现（规则复杂时扩展性更好） #

# 定义映射规则
encode_map = {'Yes':1, 'Maybe':1, 'No':0}
df['喜欢蓝色标识'] = df['你是否喜欢蓝色？'].map(encode_map).astype(int)
# 若存在不在规则内的异常值，可新增fillna处理：.fillna(0, downcast='infer')

不需要拆分数据集，直接用pandas.groupby聚合即可完成全量州的统计，15个州的计算量几乎无性能损耗：

步骤1：一键统计所有州的No回答占比 #

你的样例数据中已经预生成了No的0-1标识列，直接分组求均值即为对应占比：

# 输出结果为所有州对应的No回答占比表
state_no_stats = df.groupby('州', as_index=False)['No'].agg(
    总样本数='count',
    No回答占比='mean'
)

如果没有预生成的No列，直接从原回答列统计即可：

state_no_stats = df.groupby('州', as_index=False)['你是否喜欢蓝色？'].agg(
    总样本数='count',
    No回答占比=lambda x: (x == 'No').mean()
)

步骤2：特定州对比 #

如果需要单独对比加利福尼亚州和亚利桑那州，直接过滤统计结果即可：

compare_res = state_no_stats[state_no_stats['州'].isin(['加利福尼亚', '亚利桑那'])]

可选：组间差异显著性检验 #

如果需要验证不同州的回答分布是否存在统计显著差异，可直接生成交叉表做卡方检验：

from scipy.stats import chi2_contingency
# 生成州-回答的交叉频数表
cross_table = pd.crosstab(df['州'], df['你是否喜欢蓝色？'])
chi2_val, p_val,自由度,预期频数 = chi2_contingency(cross_table)
# p_val < 0.05即可认为不同州的回答分布存在显著差异

内容的提问来源于stack exchange，提问作者JSON7555