在R语言长格式数据集中创建随时间动态变化的哑变量

核心需求 #

按个体分组，当个体首次出现urban=1后，后续所有记录的ever_urban均为1（即使后续urban变回0或NA）；首次出现urban=1前的记录，若原urban为0则ever_urban=0，若原urban为NA则保留NA。

示例数据集 #

先构造符合场景的测试数据：

library(dplyr)

df <- tibble(
  id = rep(1:2, each = 5),
  time = 1:5,
  urban = c(0, 1, 0, NA, 0, 0, 0, NA, 1, 0)
)

解决方案1：使用dplyr（推荐，逻辑清晰） #

利用cumany()判断个体是否曾出现过urban=1，结合case_when()处理NA和0的情况：

df_processed <- df %>%
  group_by(id) %>%
  mutate(
    ever_urban = case_when(
      # 只要曾出现过urban=1（忽略NA），后续所有行设为1
      cumany(urban == 1, na.rm = TRUE) ~ 1L,
      # 未出现过urban=1时，原urban为NA则保留NA
      is.na(urban) ~ NA_integer_,
      # 其余情况设为0
      TRUE ~ 0L
    )
  ) %>%
  ungroup()

处理后结果：

解决方案2：使用Base R（无需加载包） #

用ave()按个体分组，结合cummax()和ifelse()处理：

df$ever_urban <- with(df, ave(urban, id, FUN = function(x) {
  # 先将NA替换为0，计算累积最大值（判断是否曾出现过1）
  cum_has_urban <- cummax(replace(x, is.na(x), 0))
  # 未出现过1时，原NA位置恢复为NA；其余情况用累积最大值
  ifelse(is.na(x) & cum_has_urban == 0, NA_integer_, cum_has_urban)
}))

常见问题排查 #

1. 之前用cummax/cumsum得到1和NA的原因：

   • 未按个体分组，导致所有个体的urban值被混在一起计算；
   • 未处理NA，cummax()遇到NA会直接传递，覆盖前面的0值。

2. NA保留逻辑：

   • 首次出现urban=1前的NA：保留NA（因为无法确定该记录是否为城市状态）；
   • 首次出现urban=1后的NA：设为1（因为个体已经有过城市记录）。

内容的提问来源于stack exchange，提问作者T L