基于分组数据条件减去行的新变量

Question

我有全国每一次人口普查的三个时间点(2000年、2013年、2019年)的数据，这些数据按人口统计局分类。我正在尝试创建一个名为cont_chg_pedu_colplus的新变量，这是pedu_colplus 2013年和2000年值之间的差异。因此，在下面的示例中，我希望创建一个名为cont_chg_pedu_colplus的新列，该列返回的值为3.0 (14.6 - 11.6)。理想情况下，每组域都有相同的值，因为我只对时间1和时间2之间的差异感兴趣。

  tractid      year CBSA_name   pedu_colplus
  <chr>       <dbl> <chr>              <dbl>
1 48059030101  2000 Abilene, TX         11.6
2 48059030101  2013 Abilene, TX         14.6
3 48059030101  2019 Abilene, TX         20.6
4 48059030102  2000 Abilene, TX         11.6
5 48059030102  2013 Abilene, TX         14.2
6 48059030102  2019 Abilene, TX         20.2

下面是我到目前为止的代码。它抛出了以下错误，我想是因为我只在一年(37行而不是数据集中的111行)上做了修改。我不想把我的数据写得太宽，因为我还有很多其他的数据操作要做。我不能推迟工作时间。

gent_vars_prelim <- outcome_data %>% 
    
  mutate(cont_chg_pedu_colplus = pedu_colplus[year == 2013] - pedu_colplus[year == 2000], na.rm = TRUE) %>%
                
  glimpse()

问题与mutate()输入cont_chg_pedu_colplus。X输入cont_chg_pedu_colplus不能回收到37大小。输入cont_chg_pedu_colplus为pedu_colplus[year == 2013] - pedu_colplus[year == 2000]。cont_chg_pedu_colplus输入ℹ必须大小为37或1，而不是0。错误发生在第1组: CBSA_name = "Abilene，TX"，年份=2000年

有什么想法吗？谢谢。

Answer 1

我将假设，对于每一对唯一的tractid和CBSA_name，year最多有3个条目(可能值为2000年、2013年或2019年)，对于给定的tractid和CBSA_name，没有两年是相同的。

首先，我们将通过tractid和CBSA_name对数据帧中的值进行分组。每组最多有3行，每年一排。我们用dplyr::group_by(tractid, CBSA_name)来做这件事。

接下来，我们将强迫该小组拥有全部3年的时间。正如您在评论中所建议的那样，我们使用tidyr::complete(year = c(2000, 2013, 2019))进行此操作。(这比我使用filter(n() == 3)的评论要好，因为如果2019年失踪，而且我们能够保存不完整的组，我们实际上不会在意。)

然后，我们可以计算您感兴趣的结果：dplyr::mutate(cont_chg_pedu_colplus = pedu_colplus[year == 2013] - pedu_colplus[year == 2000])。我们只需要dplyr::ungroup()在这之后，我们就结束了。

最终代码：

gent_vars_prelim <- outcome_data %>%
  dplyr::group_by(tractid, CBSA_name) %>%
  tidyr::complete(year = c(2000, 2013, 2019)) %>%
  dplyr::mutate(cont_chg_pedu_colplus = pedu_colplus[year == 2013] - pedu_colplus[year == 2000]) %>%
  dplyr::ungroup() %>%
  glimpse()

测试用例：

outcome_data <- data.frame(tractid = c(48059030101, 48059030101, 48059030101, 48059030101, 48059030101, 48059030101, 48059030102, 48059030102, 48059030102, 48059030103),
                           year = c(2000, 2013, 2019, 2000, 2013, 2019, 2000, 2013, 2019, 2000),
                           CBSA_name = c("Abilene, TX", "Abilene, TX", "Abilene, TX", "Austin, TX", "Austin, TX", "Austin, TX", "Abilene, TX", "Abilene, TX", "Abilene, TX", "Abilene, TX"),
                           pedu_colplus = c(11.6, 14.6, 20.6, 8.4, 9.0, 9.6, 11.6, 14.2, 20.2, 4.0))

结果：

> tibble(gent_vars_prelim)
# A tibble: 12 x 1
   gent_vars_prelim$tractid $CBSA_name  $year $pedu_colplus $cont_chg_pedu_colplus
                      <dbl> <fct>       <dbl>         <dbl>                  <dbl>
 1              48059030101 Abilene, TX  2000          11.6                  3    
 2              48059030101 Abilene, TX  2013          14.6                  3    
 3              48059030101 Abilene, TX  2019          20.6                  3    
 4              48059030101 Austin, TX   2000           8.4                  0.600
 5              48059030101 Austin, TX   2013           9                    0.600
 6              48059030101 Austin, TX   2019           9.6                  0.600
 7              48059030102 Abilene, TX  2000          11.6                  2.60 
 8              48059030102 Abilene, TX  2013          14.2                  2.60 
 9              48059030102 Abilene, TX  2019          20.2                  2.60 
10              48059030103 Abilene, TX  2000           4                   NA    
11              48059030103 Abilene, TX  2013          NA                   NA    
12              48059030103 Abilene, TX  2019          NA                   NA