R语言时间序列数据框按组匹配列值生成虚拟变量与累计胎次

核心思路 #

之前用ifelse仅判断年份是否存在，没有统计年份在子女出生列中的出现次数，所以无法识别多孩场景。直接逐行统计当前date_year在nchild1~nchild10列中的匹配次数，再基于次数赋值，累计孩次通过分组按年累加即可实现，不需要复杂嵌套判断。

可直接运行的代码 #

library(dplyr)

df <- df %>%
  # 按女性唯一标识分组
  group_by(id_mdob) %>%
  # 逐行计算当年生育子女数
  rowwise() %>%
  mutate(
    # 统计当前date_year在10个子女出生年份列中的匹配次数，自动忽略空值
    annual_birth_num = sum(c_across(nchild1:nchild10) == date_year, na.rm = TRUE),
    # 按规则赋值birth_in_year
    birth_in_year = case_when(
      annual_birth_num == 1 ~ 1,
      annual_birth_num >= 2 ~ 2,
      TRUE ~ 0
    )
  ) %>%
  ungroup() %>%
  # 回到分组维度，按年份升序计算累计生育孩次
  group_by(id_mdob) %>%
  arrange(date_year, .by_group = TRUE) %>%
  mutate(
    prev_parity = cumsum(annual_birth_num)
  ) %>%
  ungroup()

逻辑验证 #

• 针对示例样本：id_mdob为113230821119852011的记录，nchild1、nchild2均为2001，1995年有1个子女出生
  • 1995年行annual_birth_num=1，birth_in_year=1，累计后prev_parity=1
  • 2001年行annual_birth_num=2，birth_in_year=2，累计后prev_parity=1+2=3
  • 2001年之后所有无生育的年份annual_birth_num=0，birth_in_year=0，prev_parity保持3不变
• 自动兼容子女数不足10个时nchild列的NA值，不需要提前做缺失值填充处理
• 如果存在同一年生育3孩及以上的极端情况，代码也会正确给birth_in_year赋值为2，累计孩次同步累加对应数量

内容的提问来源于stack exchange，提问作者Anna