如何清理 R 中的面板数据集，以便仅选择连续一年或两年以上的条目？

Question

对于一个小型研究项目，我必须使用一个包含多个国家和多年的基尼系数的大型面板数据集。然而，数据并不总是每年收集一次，而且经常会出现一个国家只有几个数据点可用的情况。

我的目标是只选择那些连续两年或更长时间可用的国家/地区。

例如： 答：2008 10 2012 10.7 2015 年 12 月

应该从数据集中删除，但是，我想保留以下实体：

乙：2001 5 2002 5.6 2003 7 2009 8.6

我尝试了以下代码：

df_new <- ddply(df, "country", function(x) {
  cons_idx <- which(diff(x$year) == 1)
  cons_idx <- sort(unique(c(cons_idx, cons_idx + 1)))
  x[cons_idx, ]
})

基于 stakoverflow 1 上发布的类似问题

虽然这段代码确实（正确地）丢弃了 A，但它也从 B 中丢弃了 2009。 因此，它返回： 乙：2001 5 2002 5.6 2003 7

但是，我确实希望包括 2009 年，只是应该丢弃没有连续两年的实体。

我的直觉是我必须使用某种 if-else 语句，但我真的被卡住了。任何帮助将不胜感激！

Answer 1

使用ave，您可以按国家/地区分组并测试any 年份differences 是否等于== 到1。由于ave 不幸将结果强制为数字，我们坚持as.logical，并在括号内对数据框进行子集化。

df[with(df, as.logical(ave(year, country, FUN=\(x) any(c(0, diff(x)) == 1)))), ]
#   country year value
# 4       B 2001   5.0
# 5       B 2002   5.6
# 6       B 2003   7.0
# 7       B 2009   8.6

---

数据：

df <- structure(list(country = c("A", "A", "A", "B", "B", "B", "B"), 
    year = c(2008, 2012, 2015, 2001, 2002, 2003, 2009), value = c(10, 
    10.7, 12, 5, 5.6, 7, 8.6)), class = "data.frame", row.names = c(NA, 
-7L))

Answer 2

这是tidyverse 方法。对于每个国家/地区，检查任何 1 年的差异。如果此评估属实，这将保留该国家/地区的所有数据。

df <- data.frame(
  country = c("A", "A", "A", "B", "B", "B", "B"),
  year = c(2008, 2012, 2015, 2001, 2002, 2003, 2009),
  value = c(10, 10.7, 12, 5, 5.6, 7, 8.6)
)

library(tidyverse)

df %>%
  group_by(country) %>%
  filter(any(diff(year) == 1))

输出

  country  year value
  <chr>   <dbl> <dbl>
1 B        2001   5  
2 B        2002   5.6
3 B        2003   7  
4 B        2009   8.6