跨年份不同规模数据集垂直合并及唯一ID赋值问题求助

你当前的做法是给每个年份的数据集单独生成ID，但cur_group_id()是在单个数据集内按分组顺序生成的，这会导致：

• 不同年份里编码重复的不同个体，会得到相同的ID（比如2016年的(nquest=1, nord=1)和2020年的(nquest=1, nord=1)，各自的ID都会是1，合并后就会被误认为是同一个体）
• 完全无法区分跨年份的重复编码问题，违背了你“每个观测对应唯一个体”的需求

正确的处理方式 #

要解决跨年份编码重复的问题，核心是给每个个体的标识加入年份维度，因为重复编码是发生在不同年份之间的，结合年份后就能唯一区分不同个体。

步骤1：给每个数据集添加年份标签 #

先给每个年份的数据集加上对应的年份变量，明确观测所属的年份：

data2020 <- data2020 %>% mutate(year = 2020)
data2016 <- data2016 %>% mutate(year = 2016)
data2014 <- data2014 %>% mutate(year = 2014)
data2012 <- data2012 %>% mutate(year = 2012)

步骤2：生成跨年份唯一的个体ID #

可以选择两种方式生成唯一ID：

方式一：生成直观的字符型ID

直接将年份、家庭编码、成员编码拼接成字符串，一眼就能看出个体的年份和原始编码：

# 合并所有数据集并生成ID
big_data <- bind_rows(data2020, data2016, data2014, data2012) %>%
  mutate(individual_id = paste(year, nquest, nord, sep = "_"))

方式二：生成紧凑的数值型ID

如果需要数值型ID用于后续分析，可在合并后按year + nquest + nord的组合分组生成：

big_data <- bind_rows(data2020, data2016, data2014, data2012) %>%
  group_by(year, nquest, nord) %>%
  mutate(individual_id = cur_group_id()) %>%
  ungroup()

额外：检测跨年份重复编码 #

你之前用ifelse检测重复时因为数据集行数不匹配出现警告，正确的检测方法是检查不同年份间的(nquest, nord)组合是否有交集：

# 以2020和2016为例，检查重复编码
common_ids <- inner_join(
  data2020 %>% select(nquest, nord),
  data2016 %>% select(nquest, nord),
  by = c("nquest", "nord")
)

# 如果common_ids有数据，说明存在跨年份重复编码
nrow(common_ids) > 0

内容的提问来源于stack exchange，提问作者io_boh