如何在R语言中扩展数据集并按年度实现连续计数？

需求回顾 #

现有数据集包含15行4列：Firm_ID1（企业ID）、Sector（行业代码）、Year（年份）、Month（月份），覆盖2年的月度行为记录（仅记录有行为的月份）。需要完成以下操作：

• 扩展数据集至全量月度观测（每个企业每年12个月），有行为的记录标记为1，新增无行为记录标记为0
• 生成三个变量：
  • Treat：原数据存在的观测值为1，新增无行为观测值为缺失值(.)
  • Treat1：将Treat的缺失值替换为0，保留1不变
  • Treat2：标记企业在对应年份是否存在连续至少3次的行为记录

解决方案代码 #

以下是基于tidyverse工具链的完整实现代码：

library(tidyverse)

# 构建全量企业-年度-月度观测网格
full_grid <- dfdata %>%
  distinct(Firm_ID1, Sector, Year) %>%
  cross_join(tibble(Month = 1:12))

# 扩展数据集并生成Treat、Treat1变量
extended_df <- full_grid %>%
  left_join(dfdata %>% mutate(Treat = 1), 
            by = c("Firm_ID1", "Sector", "Year", "Month")) %>%
  mutate(
    Treat1 = ifelse(is.na(Treat), 0, Treat)
  )

# 计算Treat2：判断企业当年是否有连续至少3次行为
final_df <- extended_df %>%
  group_by(Firm_ID1, Year) %>%
  mutate(
    # 标记当前月份是否存在行为
    has_action = ifelse(!is.na(Treat), 1, 0),
    # 统计连续行为的片段信息
    consecutive_rle = list(rle(has_action)),
    # 判断是否存在长度≥3的连续行为片段
    Treat2 = ifelse(any(map_dbl(consecutive_rle, ~ max(.x$lengths[.x$values == 1], 0)) >= 3), 1, 0)
  ) %>%
  ungroup() %>%
  select(-has_action, -consecutive_rle) # 移除中间临时变量

代码解释 #

1. 构建全量观测网格：

   • 提取数据中所有唯一的企业-行业-年度组合
   • 与1-12月的月度序列做交叉连接，生成每个企业每年12个月的全量空观测

2. 生成Treat与Treat1变量：

   • 用左连接将原始数据与全量网格合并，原始存在的记录会带上Treat=1，新增记录的Treat为缺失值
   • 通过ifelse将缺失值替换为0，生成Treat1

3. 计算Treat2变量：

   • 按企业-年度分组，先标记每个月份是否有行为（has_action）
   • 用rle()函数统计连续行为的片段长度，筛选出值为1（有行为）的片段，判断是否存在长度≥3的情况，以此生成Treat2（1=存在连续至少3次行为，0=不存在）

注意事项 #

• 如果原始数据中存在同一企业-年度-月份的重复记录，需先通过distinct()去重再执行后续操作
• 确保Month变量是数值型（1-12），若为字符型需先转换为数值

内容的提问来源于stack exchange，提问作者Guyle