如何为面板数据中唯一ID的首次观测值创建dummy variable

核心逻辑：先对数据集按「名称」分组、按「记录日期」升序排序，标记每个名称分组下的第一条观测为1，其余为0即可。不同常用分析工具的实现代码如下：

Python（Pandas 环境） #

import pandas as pd

# 第一步：将记录日期列转换为标准日期格式，避免字符串排序出错
df['record_date'] = pd.to_datetime(df['record_date'])
# 第二步：按名称、记录日期升序排序，保证同名称下观测按时间先后排列
df = df.sort_values(by=['name', 'record_date']).reset_index(drop=True)
# 第三步：分组生成首次观测哑变量
df['first_occur'] = df.groupby('name').cumcount().eq(0).astype(int)

cumcount()会从0开始为每个分组内的行生成顺序编号，等于0即对应该名称的第一条观测，转换为整数后正好符合1/0的取值要求。

R（dplyr 环境） #

library(dplyr)
library(lubridate)

df <- df %>%
  # 转换为标准日期格式，根据原始日期的格式调整转换函数即可
  mutate(record_date = ymd(record_date)) %>%
  # 按名称、记录日期排序
  arrange(name, record_date) %>%
  # 按名称分组
  group_by(name) %>%
  # 组内行号为1时取1，其余取0
  mutate(first_occur = as.integer(row_number() == 1)) %>%
  # 取消分组
  ungroup()

Stata 环境 #

* 转换原始日期为Stata内部日期格式，按原始日期的字符串规则调整参数
gen record_date = date(raw_date_str, "YMD")
format record_date %td

* 按名称分组、按日期排序后生成哑变量，_n为组内观测序号
bysort name (record_date): gen first_occur = (_n == 1)

注意事项 #

• 若同一名称同一天存在多条观测，可根据业务需求调整规则：如需该日期所有观测都标记为1，可替换判断逻辑为「当前观测日期等于该名称的最小记录日期」即可。
• 操作前务必校验日期列的格式正确性，避免字符串排序导致的时间顺序错误。

内容的提问来源于stack exchange，提问作者jjk