在面板数据集中均匀化 R 中的分组值答案

【问题标题】：Homogenize grouped values in R in panel dataset在面板数据集中均匀化 R 中的分组值
【发布时间】：2020-04-14 12:42:18
【问题描述】：

我有一个家庭面板调查数据集。它有两项调查：一项针对个人，一项针对家庭。每个家庭中的一个人都回答了这两个问题，而家庭中的所有其他人只回答了个人调查。市政位置仅在填充家庭的人中。数据集是一个面板，因此对于不同的研究波次，每个观察都存在多次。所以基本上我有这样的东西：

  df <- data.frame(id = c (11,11, 12,12,13, 13,14, 14,21, 21,22, 22,31, 31,32, 32,33, 33,34, 34,41, 41,42, 42,43, 43,44, 44,51, 51,61, 61,62, 62))
df$idhousehold <- c(1,1,1,1,1,1,1,1,2,2,2,2,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4, 5,5, 6, 6, 6,6)
df$municipality <- c(NA, NA, NA,NA, NA, NA,"A","A",NA, NA, "A", "A",NA, NA,NA, NA, "B", "B", NA,NA, "A", "A",NA,NA,NA,NA,NA,NA, "C", "C","B","B",NA, NA)
df$year <- c(1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2)
df

我基本上想做的是为同一家庭中的每个人分配相同的市政价值。在上面的示例中，这意味着家庭 1、2 和 4 中的每个人的市镇值都为“A”，而家庭 3 和 6 中的每个人在 5 中的值都为 B 和 C。我无法手动执行此操作，因为数据集有大约 13 万个观测值。

我尝试了多种方法来组合数据和改变新变量，但我无法得到我想要的。

感谢您的帮助！

【问题讨论】：

标签： r group-by dplyr panel-data

【解决方案1】：

由于每个家庭只有一个值，您可以这样做：

df$municipality <- ave(df$municipality, df$idhousehold, FUN = na.omit)

但是，由于数据中似乎存在缺失值，并且在每个家庭有多个市政当局值的情况下，您可以这样做：

df$municipality <- ave(df$municipality, df$idhousehold, FUN = function(x) unique(na.omit(x))[1])

df
   id idhousehold municipality
1  11           1            A
2  12           1            A
3  13           1            A
4  14           1            A
5  21           2            A
6  22           2            A
7  31           3            B
8  32           3            B
9  33           3            B
10 34           3            B
11 41           4            A
12 42           4            A
13 43           4            A
14 44           4            A
15 51           5            C
16 61           6            B
17 62           6            B

等同于dplyr:

df %>%
  group_by(idhousehold) %>%
  mutate(municipality = unique(na.omit(municipality))[1])

【讨论】：

谢谢！但它不会这样做：第一个解决方案产生“错误：列municipality必须是长度5（组大小）或一个，而不是2”，第二个解决方案：“x [i]
您有两种情况，即 id 有多个市镇值，也有两种情况都没有。
已编辑我的答案，但最好查看您的真实数据样本。由于每个家庭有多个自治市值，您应该检查它们是否不是多个不同的值。还要检查NA 值是否实际上是NA，而不是伪装成NA 的字符或因子值。
抱歉，这是一个面板数据集，因此每个观测值都存在多个波/年。我现在更新了问题

【解决方案2】：

使用tidyr 中的fill() 函数的方法：

library(tidyverse)

df <- data.frame(id = c (11,11, 12,12,13, 13,14, 14,21, 21,22, 22,31, 31,32, 32,33, 33,34, 34,41, 41,42, 42,43, 43,44, 44,51, 51,61, 61,62, 62))
df$idhousehold <- c(1,1,1,1,1,1,1,1,2,2,2,2,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4, 5,5, 6, 6, 6,6)
df$municipality <- c(NA, NA, NA,NA, NA, NA,"A","A",NA, NA, "A", "A",NA, NA,NA, NA, "B", "B", NA,NA, "A", "A",NA,NA,NA,NA,NA,NA, "C", "C","B","B",NA, NA)
df$year <- c(1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2)

df <- df %>% 
  group_by(idhousehold) %>% 
  fill(municipality, .direction = "updown") %>% 
  ungroup()

df
#> # A tibble: 34 x 4
#>       id idhousehold municipality  year
#>    <dbl>       <dbl> <chr>        <dbl>
#>  1    11           1 A                1
#>  2    11           1 A                2
#>  3    12           1 A                1
#>  4    12           1 A                2
#>  5    13           1 A                1
#>  6    13           1 A                2
#>  7    14           1 A                1
#>  8    14           1 A                2
#>  9    21           2 A                1
#> 10    21           2 A                2
#> # … with 24 more rows

^{由reprex package (v0.3.0) 于 2020-04-14 创建}

【讨论】：

【解决方案3】：

df <- df %>% mutate(municipality=case_when(idhousehold %in% c(1,2,4)~ "A",idhousehold %in% c(3,6) ~ "B",idhousehold %in% 5 ~"C"))

【讨论】：

谢谢！是的，这样做可以，但我有超过 130k 的观察结果和数百个家庭值，所以我要花很长时间才能做到这一点，而且我可能会犯一些错误。