多组合匹配成绩数据集：Stata/Python/R实现方案咨询

我有两个不完整的成绩数据集，需要通过匹配规则关联它们：

• Dataset 1（学生平均成绩表）：

注：AverageExam 是学生的（数学成绩+物理成绩+生物成绩）/3，对应数据来自Dataset 2

• Dataset 2（科目成绩记录表，无学生ID）：

我的思路是：在每个schoolid下，计算三科成绩所有可能组合的平均值，再将Dataset 1的记录与Dataset 2的schoolid匹配。我更熟悉Stata，但之前尝试循环函数没成功，想知道：

1. 能否用Stata实现这个需求？
2. 如果Stata不合适，Python或R是否更适合？

一、Stata实现方法 #

完全可以用Stata实现，核心是用cross命令生成所有成绩组合，再计算平均值后匹配，具体步骤如下：

1. 拆分Dataset 2为单科目数据集 #

先将Dataset 2按科目拆分，生成三个独立的科目成绩文件：

* 提取并保存数学成绩
preserve
keep if ExamType == "Maths"
rename ExamGrade MathsGrade
save "maths.dta", replace
restore

* 提取并保存物理成绩
preserve
keep if ExamType == "Physics"
rename ExamGrade PhysicsGrade
save "physics.dta", replace
restore

* 提取并保存生物成绩
preserve
keep if ExamType == "Biology"
rename ExamGrade BiologyGrade
save "biology.dta", replace
restore

2. 生成所有成绩组合并计算平均值 #

通过cross命令按schoolid交叉合并三个科目数据集，生成所有可能的成绩组合，再计算对应平均成绩：

* 合并数学与物理成绩
use "maths.dta", clear
cross using "physics.dta", common(schoolid)
* 再合并生物成绩
cross using "biology.dta", common(schoolid)

* 计算AverageExam
gen AverageExam = (MathsGrade + PhysicsGrade + BiologyGrade)/3
* 保留必要变量
keep schoolid MathsGrade PhysicsGrade BiologyGrade AverageExam
save "all_combinations.dta", replace

3. 匹配Dataset 1与组合数据集 #

加载Dataset 1，根据schoolid和AverageExam与组合数据集匹配（如果存在浮点精度误差，可先用round(AverageExam, 0.1)处理后再匹配）：

use "dataset1.dta", clear
* 精确匹配，仅保留两边都匹配的记录
merge m:1 schoolid AverageExam using "all_combinations.dta", keep(match)

二、Python实现方法（备选） #

如果数据集规模较大，Python的pandas处理组合生成和匹配会更高效灵活：

import pandas as pd

# 读取数据集
df1 = pd.read_csv("dataset1.csv")
df2 = pd.read_csv("dataset2.csv")

# 拆分各科目成绩
maths = df2[df2["ExamType"] == "Maths"].rename(columns={"ExamGrade": "MathsGrade"})
physics = df2[df2["ExamType"] == "Physics"].rename(columns={"ExamGrade": "PhysicsGrade"})
biology = df2[df2["ExamType"] == "Biology"].rename(columns={"ExamGrade": "BiologyGrade"})

# 按schoolid生成所有成绩组合
combinations = pd.merge(maths, physics, on="schoolid")
combinations = pd.merge(combinations, biology, on="schoolid")

# 计算平均成绩
combinations["AverageExam"] = (combinations["MathsGrade"] + combinations["PhysicsGrade"] + combinations["BiologyGrade"])/3

# 匹配Dataset 1
result = pd.merge(df1, combinations, on=["schoolid", "AverageExam"], how="inner")

三、R实现方法（备选） #

R的tidyverse套件可以通过宽表转换+行展开快速生成组合：

library(dplyr)
library(tidyr)

# 读取数据
df1 <- read.csv("dataset1.csv")
df2 <- read.csv("dataset2.csv")

# 生成所有成绩组合并计算平均值
combinations <- df2 %>%
  pivot_wider(names_from = ExamType, values_from = ExamGrade, values_fn = list) %>%
  unnest(c(Maths, Physics, Biology)) %>%
  mutate(AverageExam = (Maths + Physics + Biology)/3)

# 匹配Dataset 1
result <- inner_join(df1, combinations, by = c("schoolid", "AverageExam"))

内容的提问来源于stack exchange，提问作者Nuno Can