求R中对应Stata egen max BY varlist的分组取最大值实现方法

针对你想要在R里实现Stata中egen max() by varlist的需求，结合你给出的数据集，我整理了两种最常用的实现方案，都是R社区处理分组统计的主流选择：

先搭好你的数据集 #

首先咱们把你提供的样本数据转换成R能直接用的数据框：

df <- data.frame(
  ID = c(1,1,2,2,3,4,5,6,6),
  year = c(2000,2000,2001,2002,2002,2003,2004,2004,2004),
  names = c("Mark",NA,"John","John",NA,"Sarah","Julia",NA,NA)
)

方案一：用dplyr（语法贴近Stata，易上手） #

dplyr是tidyverse生态里的核心工具，语法逻辑和Stata非常像，新手友好：

library(dplyr)

# 按ID分组，给每组新增「该ID的最大年份」列
df <- df %>%
  group_by(ID) %>%  # 对应Stata的by(ID)
  mutate(max_year_by_id = max(year, na.rm = TRUE)) %>%  # 计算最大值并新增列
  ungroup()  # 取消分组，避免后续操作受影响

这里na.rm = TRUE是为了处理可能存在的缺失值，和Stata的egen默认行为保持一致。运行后，每个ID对应的所有行都会显示该ID的最大年份——比如ID=2的两行都会显示2002，和Stata跑出来的结果完全一致。

方案二：用data.table（大数据集首选，速度快） #

如果你的数据集量级很大，data.table的运算速度会比dplyr更有优势，语法也相当简洁：

library(data.table)

# 先把普通数据框转换成data.table格式
dt <- as.data.table(df)

# 按ID分组，直接新增最大年份列
dt[, max_year_by_id := max(year, na.rm = TRUE), by = ID]

这里的by = ID对应Stata的分组逻辑，:=是data.table专属的列操作符，能高效地新增或修改列，不用额外复制数据集，非常省内存。

额外拓展：处理names列的缺失值 #

从你的数据来看，names列有不少NA，如果你想实现类似Stata里egen first_non_missing = first(names) if !missing(names), by(ID)的功能（取每组第一个非缺失的名字），也可以用同样的分组思路：

dplyr版本： #

df <- df %>%
  group_by(ID) %>%
  mutate(first_non_missing_name = first(na.omit(names))) %>%
  ungroup()

data.table版本： #

dt[, first_non_missing_name := na.omit(names)[1], by = ID]

这样处理后，ID=1会得到"Mark"，ID=6因为全是NA，结果也会是NA，完全符合预期。

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