在R中基于连续两年特定值创建新变量及问题排查

解决UCDP战斗死亡数据集的两个筛选问题 #

问题1：筛选2008年后连续两年战斗死亡≥1000的国家

你的代码存在两个关键问题：

1. 语法错误：subset函数多了一个右括号，导致代码无法正确执行
2. 逻辑错误：使用all(sum_deaths_two_years >= 2000)要求该国家所有计算出的sum_deaths_two_years都≥2000，但实际上我们只需要存在至少一次连续两年≥1000的情况，all会过滤掉那些只有部分年份符合条件的国家，导致无观测结果。

修正后的代码：

library(dplyr)

# 修正语法错误，筛选2008年后bd_best≥1000的行
filtered_data <- subset(BattleDeaths_v22_1_conf, bd_best >= 1000 & year >= 2008)

# 按国家和年份排序，计算连续两年的死亡数之和
filtered_data <- filtered_data %>%
  arrange(location_id, year) %>%  # 注意：确认数据集里的国家变量名是location_id还是location_inc
  group_by(location_id) %>%
  mutate(sum_deaths_two_years = lag(bd_best) + bd_best)

# 筛选存在至少一次连续两年≥1000的国家
final_data <- filtered_data %>%
  group_by(location_id) %>%
  filter(any(sum_deaths_two_years >= 2000, na.rm = TRUE))  # na.rm=TRUE排除第一年的NA值

如果只需要保留符合连续两年条件的具体年份行，而非整个国家的所有行，可以简化为：

final_data <- filtered_data %>%
  arrange(location_id, year) %>%
  group_by(location_id) %>%
  filter(bd_best >= 1000 & lag(bd_best) >= 1000)  # 直接判断当前年和前一年都≥1000

问题2：标记满足“某一年战斗死亡≥1000且前/后一年≥25”的观测

用lag()和lead()函数获取前后年份的死亡数，通过条件判断创建标记变量：

# 基于原始数据集处理，保留所有年份
result_data <- BattleDeaths_v22_1_conf %>%
  arrange(location_id, year) %>%
  group_by(location_id) %>%
  mutate(
    # 1表示符合条件，0表示不符合；default=0处理首尾年份无前后数据的情况
    meets_criteria = ifelse(
      bd_best >= 1000 & (lag(bd_best, default = 0) >= 25 | lead(bd_best, default = 0) >= 25),
      1,
      0
    )
  )

# 筛选出所有符合条件的观测行
filtered_criteria <- result_data %>% filter(meets_criteria == 1)

内容的提问来源于stack exchange，提问作者Maria Mola