R语言中计算跨国面板数据集各变量有效观测时间范围

问题场景 #

针对跨国面板数据集，排除country（国家）、year（年份）两个标识列，统计其余每个变量在所有国家样本中的：

• 首个存在非缺失（非NA）有效观测的年份
• 最后一个存在非缺失有效观测的年份
  最终输出规整的三列数据框。

测试数据 #

使用问题给出的示例数据集：

mydata <- structure(list(country = c("A", "A", "A", "A", "A", "B", "B", 
"B", "B", "B", "C", "C", "C", "C", "C", "D", "D", "D", "D", "D"
), year = c(1980L, 1981L, 1982L, 1983L, 1984L, 1980L, 1981L, 
1982L, 1983L, 1984L, 1980L, 1981L, 1982L, 1983L, 1984L, 1980L, 
1981L, 1982L, 1983L, 1984L), ratio = c(NA, 0.295374242728576, 
0.39086487214081, 0.305486429622397, NA, NA, NA, 0.219852746929973, 
0.36993286316283, NA, NA, 0.275014761742204, 0.375281228218228, 
0.351254417048767, NA, NA, NA, NA, 0.281099080992863, NA), ratio2 = c(0.493465579114854, 
0.84949842300266, 0.880158872716129, 0.496730178780854, 0.621339708380401, 
0.405148166045547, 0.785535878129303, 0.783708103187382, 0.414490845240653, 
0.341050366312265, 0.559447590634227, 0.636841595172882, 0.443167371489108, 
0.132577145472169, 0.450228306651115, 0.239580681361258, 0.870582599751651, 
0.116267577186227, 0.596920453198254, 0.333549798093736)), row.names = c(NA, 
-20L), class = "data.frame")

实现方案 #

基础R版（无第三方依赖，适配超大型数据集） #

无需安装加载额外包，计算效率高，直接运行即可得到结果：

# 提取所有待统计的数值变量，排除国家、年份标识列
target_vars <- setdiff(colnames(mydata), c("country", "year"))

# 逐变量计算首尾有效观测年份
result <- data.frame(
  variable = target_vars,
  firstyear = as.character(sapply(target_vars, function(col) min(mydata$year[!is.na(mydata[[col]])]))),
  lastyear = as.character(sapply(target_vars, function(col) max(mydata$year[!is.na(mydata[[col]])])))
)

结果验证 #

运行后输出的result和期望格式完全一致：

variable firstyear lastyear
1    ratio      1981     1983
2   ratio2      1980     1984

与问题给出的期望输出结构完全匹配：

structure(list(variable = c("ratio", "ratio2"), firstyear = c("1981", 
"1980"), lastyear = c("1983", "1984")), class = "data.frame", row.names = c(NA, 
-2L))

补充：如果需要分国家单独统计每个国家下各变量的有效时间范围，将上述计算逻辑按country列分组执行即可；上述实现为跨所有国家统计全局有效观测时间范围，符合问题要求。

内容的提问来源于stack exchange，提问作者user3227641