在R数据框分组内获取滞后值：解决连续失业期最后工资问题

数据集背景 #

处理包含员工和企业层面变量的匹配雇主-雇员数据集，部分数据示例如下：

R代码生成数据 #

df <- structure(list(WorkerID = c(1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 
3L, 3L, 3L, 3L), FirmID = c(1234L, 1234L, 1234L, 1234L, 1234L, 
4321L, 4321L, 9678L, 9678L, 4321L, 5678L, 5678L, 5678L), Year = c(2003L, 
2004L, 2005L, 2004L, 2005L, 2006L, 2007L, 2003L, 2004L, 2005L, 
2006L, 2007L, 2008L), Wage = c(1000L, 1000L, 1000L, 1200L, 0L, 
1250L, 1250L, 735L, 0L, 0L, 780L, 780L, 0L), Separation = c(0L, 
0L, 0L, 0L, 1L, 0L, 0L, 0L, 1L, 1L, 0L, 0L, 1L)), class = "data.frame", row.names = c(NA, 
-13L))

数据表格展示 #

需求说明 #

Separation变量表示员工当年是否离职（值为1代表失业），员工可能存在连续多期失业的情况。需要生成一个last_wage变量：

• 若员工处于就业状态（Separation == 0），记录当前工资
• 若员工处于失业状态（Separation == 1），记录其最后一次获得的工资

例如：

• 员工2在2005年失业，last_wage应为2004年的1200
• 员工3在2004和2005年连续失业，这两年的last_wage均为2003年的735

现有代码仅能处理最多一期失业的情况，无法覆盖连续多期失业场景：

df %>%
  group_by(WorkerID) %>%
  mutate(last_wage = ifelse(Separation == 1 & lag(Separation)==0, lag(Wage),Wage))

解决方案 #

使用dplyr结合tidyr的fill()函数，可轻松处理任意连续失业期的工资填充：

library(dplyr)
library(tidyr)

df_processed <- df %>%
  # 按员工分组，确保每个员工的工资填充独立进行
  group_by(WorkerID) %>%
  # 创建临时变量：仅保留就业期的工资，失业期设为NA
  mutate(temp_wage = ifelse(Separation == 0, Wage, NA)) %>%
  # 向下填充NA值，让连续失业期继承上一次就业的工资
  fill(temp_wage, .direction = "down") %>%
  # 生成最终的last_wage变量
  mutate(last_wage = ifelse(Separation == 0, Wage, temp_wage)) %>%
  # 移除临时变量
  select(-temp_wage) %>%
  ungroup()

# 查看处理后的数据
print(df_processed)

处理后结果展示 #

逻辑说明 #

1. 分组处理：按WorkerID分组，保证每个员工的工资填充逻辑独立
2. 临时变量标记：用temp_wage筛选出所有就业期的工资，失业期设为NA，方便后续填充
3. 向下填充：fill()函数会将最近的非NA值向下覆盖所有连续的NA，完美解决连续失业期的工资继承问题
4. 生成最终变量：区分就业和失业状态，给last_wage赋值

内容的提问来源于stack exchange，提问作者lisbonscot