如何在R中为有序数据的黑人观测值匹配对应排名的白人索引值

我正在R中复现某论文的rank and replace方法，卡在了第4步：为黑人观测值匹配最近的后续白人观测值的原始索引值，填补index_new中的NA。数据集已按rank_weighted排序，black/white为二分变量（1代表对应种族），目前已完成部分匹配（仅匹配了前一个观测值是白人的黑人样本），但连续黑人样本的index_new仍为NA，需要自动找到后续最近的白人样本的index_orig来替换。

现有样本数据：

data <- structure(list(black = structure(c(0, 1, 1, 0, 0, 1, 1, 1, 0, 
1, 0, 0, 0, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0
), format.stata = "%9.0g"), white = structure(c(1, 0, 0, 1, 1, 
0, 0, 0, 1, 0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 
1, 0, 0, 1), format.stata = "%9.0g"), rank_weighted = c(0.264, 
0.278, 0.46, 0.656, 0.743, 0.813, 0.858, 1.124, 1.41, 1.416, 
1.608, 1.762, 1.962, 2.008, 2.128, 2.506, 2.513, 2.737, 2.967, 
3.158, 3.339, 3.682, 3.999, 4.057, 4.149, 4.274, 4.406, 4.481, 
4.558, 4.872), index_orig = structure(c(-5.718, -5.502, -5.659, 
-5.636, -5.634, -5.502, -5.598, -5.584, -5.502, -5.572, -5.549, 
-5.544, -5.544, -5.502, -5.535, -5.484, -5.533, -5.527, -5.515, 
-5.453, -5.51, -5.502, -5.502, -5.426, -5.502, -5.502, -5.502, 
-5.409, -5.502, -5.502), format.stata = "%10.0g"), index_new = c(NA, 
-5.718, NA, NA, NA, -5.634, NA, NA, NA, -5.502, NA, NA, NA, -5.544, 
NA, -5.535, NA, NA, NA, NA, NA, NA, NA, -5.502, NA, NA, NA, -5.502, 
NA, NA)), row.names = c(NA, -30L), class = c("tbl_df", "tbl", 
"data.frame"))

之前尝试的R循环未生效，原Stata循环逻辑是：从当前行向后找第i个观测值，如果是白人且当前index_new为NA，就替换成该白人的index_orig，直到i达到15。

解决方案1：向量化方法（高效适配大数据） #

无需循环，通过标记+向后填充实现：

library(dplyr)
library(tidyr)

data_processed <- data %>%
  # 仅保留白人的index_orig，其余设为NA
  mutate(temp_index = ifelse(white == 1, index_orig, NA)) %>%
  # 从后向前填充（即给每个黑人匹配后续最近的白人索引）
  fill(temp_index, .direction = "up") %>%
  # 填补黑人样本的NA值，保留已匹配的结果
  mutate(index_new = ifelse(black == 1 & is.na(index_new), temp_index, index_new)) %>%
  # 删除临时列
  select(-temp_index)

解决方案2：复现Stata的while循环逻辑 #

原循环失效是因为逻辑判断错误（is.na(data$index_new == T)应为is.na(data$index_new)），修正后的代码：

val <- 1
while (val <= 15) {
  data$index_new <- ifelse(
    # 条件：黑人样本、index_new为NA、向后第val个观测值是白人
    data$black == 1 & is.na(data$index_new) & lead(data$white, n = val, default = 0) == 1,
    lead(data$index_orig, n = val),
    data$index_new
  )
  val <- val + 1
}

• 添加default = 0避免超出数据集范围时返回NA，导致条件不成立；
• 从val=1开始可覆盖你之前用lag完成的匹配，也可保留原ifelse后从val=2开始。

验证结果 #

处理后，第3行的index_new会被替换为第4行的-5.636，第7、8行替换为第9行的-5.502，符合预期。

内容的提问来源于stack exchange，提问作者eliseabril