如何按new_regime划分区间计算变量均值（含NA值处理）

核心需求是：针对每个个体的new_regime=1起始到下一个new_regime=1前的区间，计算variable的均值（忽略NA），并将该均值赋值给区间内所有年份的mean_variable字段。以下是两种常用数据分析工具的实现方案：

R语言实现（基于dplyr） #

假设你的面板数据框名为panel_data，包含id（个体标识）、year（年份）、new_regime、variable字段，步骤如下：

• 先按个体和年份排序，保证时序逻辑正确
• 按个体分组，用cumsum(new_regime)生成区间分组标识：每次new_regime=1时，分组ID会递增，同一政权区间的观测会共享同一个ID
• 按个体+区间分组，计算均值并赋值给整个区间的mean_variable

library(dplyr)

panel_data <- panel_data %>%
  arrange(id, year) %>%
  group_by(id) %>%
  mutate(regime_group = cumsum(new_regime)) %>%
  group_by(id, regime_group) %>%
  mutate(mean_variable = mean(variable, na.rm = TRUE)) %>%
  ungroup()

如果需要排除第一个new_regime=1之前的初始区间（即regime_group=0的部分），可以在最后加一行filter(regime_group != 0)。

Python语言实现（基于pandas） #

同样假设数据框名为panel_data，包含所需字段，实现逻辑和R一致：

• 先按个体和年份排序
• 按个体分组计算new_regime的累积和，生成区间标识
• 用transform方法将区间均值广播到该区间的所有观测

import pandas as pd

# 确保数据时序正确
panel_data = panel_data.sort_values(['id', 'year'])

# 生成个体内的政权区间分组
panel_data['regime_group'] = panel_data.groupby('id')['new_regime'].cumsum()

# 计算区间均值并赋值
panel_data['mean_variable'] = panel_data.groupby(['id', 'regime_group'])['variable'].transform(lambda x: x.mean(skipna=True))

同样，若要过滤初始无政权的区间，可执行panel_data = panel_data[panel_data['regime_group'] != 0]。

内容的提问来源于stack exchange，提问作者Student In Need