如何用dplyr追踪长格式纵向数据变化并生成条件变量？

给定以下长格式纵向数据集（id为参与者分组变量）：

变量说明 #

• car：是否拥有汽车（0=无，1=有）
• household：家庭居住人数
• 所有参与者初始状态为无车且独居（car=0且household=1）

生成目标变量规则 #

需要生成两个二进制变量Cond-A和Cond-B，规则如下：

1. Cond-A：
   • 仅当从car=0且household=1变为car=1且household=1时标记为1；
   • 首次购车后若售车（即car从1变0），后续再次购车的数据标记为NA；
   • 其余不符合情况标记为0。
2. Cond-B：
   • 仅当从无车状态（car=0）变为car=1且household=2时标记为1；
   • 若家庭人数超过2（household>2），后续所有数据标记为NA；
   • 其余不符合情况标记为0。

示例数据集R代码 #

id <- c(1,1,1,1,2,2,2,2,3,3,3,3,4,4,4,4)
wave <- c(1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4)
car <- c(0,1,0,1,0,1,1,0,0,0,1,1,0,1,0,1)
household <- c(1,1,1,2,1,2,3,1,1,1,2,1,1,2,1,2)

df <- data.frame(id, wave, car, household)

预期输出 #

通过分组处理每个参与者的时间序列数据，结合滞后变量、累积标记实现规则：

library(dplyr)

df_result <- df %>%
  group_by(id) %>%
  # 生成滞后变量追踪状态变化
  mutate(
    lag_car = lag(car),
    lag_household = lag(household),
    # 标记是否出现过购车后售车的情况
    has_sold_car = cumsum(case_when(
      lag_car == 1 & car == 0 ~ 1,
      TRUE ~ 0
    )) >= 1,
    # 标记是否出现过家庭人数超过2的情况
    has_large_household = cumsum(case_when(
      household > 2 ~ 1,
      TRUE ~ 0
    )) >= 1
  ) %>%
  # 计算Cond-A
  mutate(
    Cond_A = case_when(
      has_sold_car & car == 1 ~ NA_real_,
      lag_car == 0 & lag_household == 1 & car == 1 & household == 1 ~ 1,
      TRUE ~ 0
    )
  ) %>%
  # 计算Cond-B
  mutate(
    Cond_B = case_when(
      has_large_household ~ NA_real_,
      lag_car == 0 & car == 1 & household == 2 ~ 1,
      TRUE ~ 0
    )
  ) %>%
  # 清理临时变量
  select(-lag_car, -lag_household, -has_sold_car, -has_large_household) %>%
  ungroup()

# 查看结果
print(df_result)

代码解释 #

1. 分组与滞后变量：按id分组后，用lag()获取上一期的car和household，用于判断状态转换。
2. 累积标记触发NA的条件：
   • has_sold_car：一旦出现“购车后售车”，后续所有购车记录标记NA；
   • has_large_household：一旦出现家庭人数超过2，后续所有Cond-B标记NA。
3. Cond-A计算：
   • 优先判断NA触发条件，再匹配“无车独居→有车独居”的转换标记1，其余为0。
4. Cond-B计算：
   • 优先判断NA触发条件，再匹配“无车→有车且家庭人数为2”的转换标记1，其余为0。

运行代码后输出结果与预期完全一致。

内容的提问来源于stack exchange，提问作者JamesCraemer