R语言如何生成观测值唯一ID实现面板数据跨表个体匹配

示例代码存在一处笔误：最后一个存储total_expenditure的数据框被误赋值为df2，会覆盖此前存储total_income的df2对象，应修正为df3，修正后的构造代码如下：

N = 1000
district <- rnorm(N)
region <- rnorm(N)
household_id <- rnorm(N) 
works <- rbinom(n = N, size = 1, prob = 0.05)
total_income <- rnorm(N) 
total_expenditure <- rnorm(N) 

df1 <- data.frame(district, region, household_id, works)
df2 <- data.frame(district, region, household_id, total_income)
df3 <- data.frame(district, region, household_id, total_expenditure)

group_indices()函数完全可以用来生成跨表一致的唯一ID，前提是用来分组的字段组合能唯一确定一个个体。除此之外也可以直接通过多字段关联完成合并，不需要额外生成ID，两种方法的操作步骤如下：

方法1：基于group_indices()生成唯一ID匹配 #

注意不要单独给每个表调用group_indices()生成ID，否则不同表中相同个体的ID编号会不匹配。正确做法是先提取三个表所有的共同键值，去重后统一生成ID，再把ID映射回每个原表，示例代码：

library(dplyr)

# 提取所有表的共同键，去重后统一生成唯一ID
all_unique_keys <- bind_rows(
  df1 %>% select(district, region, household_id),
  df2 %>% select(district, region, household_id),
  df3 %>% select(district, region, household_id)
) %>% 
  distinct() %>%
  mutate(unique_id = group_indices(., district, region, household_id))

# 给每个原表匹配上对应的唯一ID
df1_with_id <- df1 %>% left_join(all_unique_keys, by = c("district", "region", "household_id"))
df2_with_id <- df2 %>% left_join(all_unique_keys, by = c("district", "region", "household_id"))
df3_with_id <- df3 %>% left_join(all_unique_keys, by = c("district", "region", "household_id"))

# 基于unique_id合并所有表
final_df <- df1_with_id %>%
  left_join(df2_with_id %>% select(unique_id, total_income), by = "unique_id") %>%
  left_join(df3_with_id %>% select(unique_id, total_expenditure), by = "unique_id")

该方法生成的unique_id是从1开始的连续整数，相同district+region+household_id组合会对应同一个ID，后续做表匹配、分组统计都可以直接使用。

方法2：直接通过多字段关联合并（更推荐） #

如果最终目的只是合并三个表的字段，完全不需要额外生成唯一ID，直接把三个共同字段作为关联键连表即可，代码更简洁，也不会出现ID生成逻辑错误导致的匹配问题：

final_df_simple <- df1 %>%
  left_join(df2, by = c("district", "region", "household_id")) %>%
  left_join(df3, by = c("district", "region", "household_id"))

注意事项 #

• 示例中生成的三个表行顺序完全一致，理论上可以直接用dplyr::bind_cols()按列拼接，但这种方法容错率极低，只要任意一个表的行顺序被打乱就会出现匹配错误，实际处理真实数据时不建议使用。
• 不管用哪种方法，都要先确认district、region、household_id三个字段的组合可以唯一标识单个个体，如果存在同一组键对应多条不同观测的情况，合并时会出现重复匹配的问题。

内容的提问来源于stack exchange，提问作者anrisakaki96