基于互变量将观察结果组合成一个新变量

Question

我合并了来自同一调查的两个数据集。一种是个人层面 selectedindividual，一种是家庭层面 selectedhousehold。我使用以下代码合并了两个数据集（使用 dplyr 中的 left_join）：

mergeddf <- left_join(selectedhousehold, selectedindividual)  %>% group_by(shserial)  %>% slice (1)

shserial 变量是两个数据集中存在的主键。每个家庭都有一个特定的号码。每个家庭最多可以包含两个人，因此他们将拥有相同的shserial。因为我想在家庭层面进行分析，所以我不想只在数据集上使用 merge()（因为这重复了有 2 个人的家庭的观察结果，例如，我的因变量之一家庭层面 - GrossIncome）。

不过我还有一个问题：

我有一个个人级别的变量，WrkStat（具有三个级别，working、NWork、FTEduc），我想将其包含在我的模型中.我用于合并数据集的代码只保留了两个具有相同数字的 shserial 的第一个观察结果（我假设，至少，我无法弄清楚 slice() 是如何工作的）。这不利于我的分析，因为我不想 select 随机选择一个家庭中的两个人之一。为了说明，WrkStat 在非合并和合并数据帧中的摘要统计信息：

> summary(selectedindividual$WrkStat)
working  FTEduc   NWork    NA's 
    324     748    2455     201 

> summary(mergeddf$WrkStat)
working  FTEduc   NWork    NA's 
    251      77    2097       5

作为解决方案，我想我会创建一个新变量 WrkStat2，它结合了一个家庭中两个人的观察结果。我想在 before 合并数据集之前创建这个变量。

我希望我可以根据相互 shserial 号码创建这个新变量。但是，我不知道该怎么做。

编辑：

我的数据框的结构：

selectedindividual <- structure(list(`shserial` = c(1010574, 1010574, 
1011104, 1011104, 1011109, 1011109, 1011134, 1011134, 1011142, 
1011143, 1011148, 1011148, 1011154, 1011154, 1011156, 1011171, 
1011171, 1011174, 1011174, 1011182), `WrkStat` = structure(c(3L, 
2L, 3L, 2L, 3L, NA, 1L, NA, 3L, 3L, 3L, 2L, 3L, 2L, 3L, 1L, 2L, 
3L, NA, 3L), .Label = c("working", "FTEduc", "NWork"), class = "factor")), row.names = c(NA, 
-20L), class = c("tbl_df", "tbl", "data.frame"))

给出这个输出：

   shserial WrkStat
      <dbl> <fct>  
 1  1010574 NWork  
 2  1010574 FTEduc 
 3  1011104 NWork  
 4  1011104 FTEduc 
 5  1011109 NWork  
 6  1011109 NA     
 7  1011134 working
 8  1011134 NA     
 9  1011142 NWork  
10  1011143 NWork  
11  1011148 NWork  
12  1011148 FTEduc 
13  1011154 NWork  
14  1011154 FTEduc 
15  1011156 NWork  
16  1011171 working
17  1011171 FTEduc 
18  1011174 NWork

我想要这个输出：

   shserial WrkStat2
      <dbl> <fct>  
 1  1010574 NWork/FTEduc  
 2  1011104 NWork/FTEduc 
 3  1011109 NWork     
 4  1011134 working
 5  1011142 NWork  
 6  1011143 NWork  
 7  1011148 NWork/FTEduc
 8  1011154 NWork/FTEduc 
 9  1011156 NWork  
10  1011171 working/FTEduc
11  1011174 NWork

（这也删除了不属于它自己的 NA（因此不是组合的 WrkStat），尽管我认为如果在此过程中删除所有 NA 也很好）。

另一个编辑：

WrkStat2 应具有以下标签：

"working/working",
"working/NWork",
"working/FTEduc",
"NWork/NWork",
"NWork/FTEduc",
"FTEduc/FTEduc",
"working",
"NWork",
"FTEduc"

如果有什么不清楚或者不可能完成所有事情，我很抱歉（让我知道）。我不擅长逻辑思考，并且为此苦苦挣扎了几天。

Answer 1

我们可以删除 NA 个值和每个 shserial 的 paste WrkStat。

这可以在 base R 中完成：

aggregate(WrkStat~shserial, selectedindividual, function(x) 
           paste0(na.omit(x), collapse = "/"))

#   shserial        WrkStat
#1   1010574   NWork/FTEduc
#2   1011104   NWork/FTEduc
#3   1011109          NWork
#4   1011134        working
#5   1011142          NWork
#6   1011143          NWork
#7   1011148   NWork/FTEduc
#8   1011154   NWork/FTEduc
#9   1011156          NWork
#10  1011171 working/FTEduc
#11  1011174          NWork
#12  1011182          NWork

dplyr :

library(dplyr)
selectedindividual %>% 
   group_by(shserial) %>% 
   summarise(WrkStat2 = paste0(na.omit(WrkStat), collapse = "/"))

或在 data.table 中：

library(data.table)
setDT(selectedindividual)[, (WrkStat = paste0(na.omit(WrkStat), collapse = "/")), 
                            shserial]

基于互变量将观察结果组合成一个新变量

Combining observations into a new variable based on a mutual variable

r

merge

categorical-data