在Stata或R中按id分组保留dummy连续≥3的1的观测

原始数据集 #

以下是R格式的原始数据结构：

structure(list(id = c(1, 1, 1, 1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 
3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4), month = c(1, 
2, 3, 4, 5, 6, 3, 4, 5, 10, 11, 12, 13, 14, 15, 16, 17, 2, 3, 
4, 5, 6, 7, 8, 9, 10, 11, 12, 13), dummy = c(1, 0, 0, 0, 0, 0, 
1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 
1, 1)), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, 
-29L))

需求规则 #

• 按id分组处理
• 仅保留dummy取值为1且连续出现次数≥3的观测
• 若某分组内存在连续2个1后跟1个0，这3行全部删除；最终只保留连续长度≥3的1对应的行
• Stata实现禁止使用外部程序或包

Stata代码实现 #

* 按id和month排序，确保数据按时间顺序排列
sort id month

* 按id分组，生成连续相同dummy值的组编号
by id: gen run = sum(dummy != dummy[_n-1])
* 修正第一个观测的组编号（_n-1=0时dummy[_n-1]缺失，手动设为1）
replace run = 1 if _n == 1

* 按id和run分组，计算每个连续组的长度和该组的dummy值
by id run: gen run_len = _N
by id run: gen run_dummy = dummy[1]

* 保留符合条件的观测：dummy=1且连续长度≥3
keep if run_dummy == 1 & run_len >= 3

* 删除中间生成的辅助变量
drop run run_len run_dummy

处理后结果说明 #

处理后保留的观测如下：

• id=2：month3-5的3行连续1，全部保留
• id=3：month13-17的5行连续1，保留；month10-11的2行连续1被删除
• id=4：month5-7的3行连续1、month10-13的4行连续1，保留；month2-3的2行连续1被删除
• id=1：仅1个孤立的1，被删除

内容的提问来源于stack exchange，提问作者R novice