R环境下基于时间趋势的变量编码:区分临时出行与永久迁居的思路
基础适配性判断
当前逐晚粒度、逐行对应单对象单县域停留的长表格式完全可以支撑编码需求,根本不需要转换为宽表——宽表反而会因为不同对象的日期覆盖差异产生大量空值冗余,拖慢处理效率,对大体量数据来说反而不友好。
核心编码规则设计
整个逻辑完全不需要拆解中间的跨县停留细节,只需要抓两个核心时序信号就能覆盖所有场景,兼容最长363晚多县域辗转的边界情况:
- 先锚定基准参照:对每个调研对象,按日期升序排序后,取他在最早调研日期停留的县域,作为该对象的初始常住地,作为后续所有状态判断的参照系。
- 再做大类属性判定:逐人遍历全时段停留序列,找到他第一次离开初始常住地的时间点,然后检查这个时间点之后的所有记录:
如果离开初始常住地之后,任意一条记录的停留县域等于初始常住地,说明该对象属于临时出行类型:所有在初始常住地停留的夜晚标记为
home,所有离开初始常住地的时段(不管中间辗转了多少个不同县域、连续多久)全部标记为traveler。
如果离开初始常住地之后,直到整个调研时间范围结束,都没有再出现停留县域等于初始常住地的记录,说明该对象属于永久迁居类型:所有在初始常住地停留的夜晚标记为home,从第一次离开初始常住地的时间点开始,后续所有的停留记录全部标记为moved。
边界场景的兼容验证
针对最长连续363晚在多县域辗转停留的场景,这套逻辑完全不需要对中间的跨县流转做额外拆分计算:只要该对象在这363晚的跨县行程结束后,有任意一次返回初始常住地,所有这些跨县停留时段都会被正确标记为traveler;如果他在363晚的跨县行程后再也没有返回初始常住地,那么这些行程时段都会被正确归入moved,完全不会因为中间换了太多县域出现误判。
大体量数据的处理效率说明
整个计算流程是纯逐人分组的时序扫描,不需要做表结构的变形操作:哪怕数据量到千万级,逐行遍历的计算效率也远高于宽表转换的操作,不会出现因为体量太大跑不动的问题。
示例校验
- 对应John的时序序列:
county1 → county1 → county2 → county1,离开county1(初始常住地)后仅1晚就返回,属于临时出行类型。最终标记结果:前2晚在county1为home,第3晚在county2为traveler,第4晚回county1为home,和需求完全匹配。 - 对应Dora的时序序列:
county1 → county1 → county2 → county2,离开county1(初始常住地)后全程没有返回,属于迁居类型。最终标记结果:前2晚在county1为home,后续2晚在county2为moved,和需求完全匹配。
弹性调整提示:如果研究中存在“先临时出行返回常住地、之后再次离开并永久迁居”的混合场景,只需要把大类判定的逻辑从“一次性判断离开后是否返回”,改成逐次离开的断点判断,就可以适配这类混合场景,不需要改动核心框架。
内容的提问来源于stack exchange,提问作者BRB

