algorithm - 具有多个变量的数据管理

Question

目前我正面临以下问题，我正在 Stata 中解决这个问题。我添加了算法标签，因为它主要是我感兴趣的步骤而不是 Stata 代码。

我有一些变量，比如 var1 - var20，它们可能包含一个字符串。我只对其中一些字符串感兴趣，让我们称它们为 A、B、C、D、E、F，但也可能出现其他字符串(所有这些都将表示为 X)。我还有一个唯一的标识符 ID。部分数据可能如下所示:

ID  |  var1  |  var2  |  var3  |  ..  |  var20  
1   |   E    |        |        |      |    X
1   |        |   A    |        |      |    C
2   |   X    |   F    |   A    |      |   
8   |        |        |        |      |    E

现在我想为每个 ID 以及在任何变量中每次出现字符串 A、B、C、E、D、F 之一创建一个条目。上面的数据应该是这样的:

ID  |  var1  |  var2  |  var3  |  ..  |  var20
1   |    E   |        |        |  ..  |       
1   |        |    A   |        |      |       
1   |        |        |        |      |    C
2   |        |    F   |        |      |
2   |        |        |    A   |      |
8   |        |        |        |      |    E

在这里，每次出现不是 A、B、C、D、E 或 F 的字符串 X 时，我们都会忽略。到目前为止，我的尝试是创建一个变量，为每个条目计算 A 出现的次数 N ,B,C,D,E,F。在上面的原始数据中，该变量将是 N=1,2,2,1。然后为每个条目创建 N 个副本。这导致数据:

ID  |  var1  |  var2  |  var3  |  ..  |  var20  
1   |   E    |        |        |      |    X
1   |        |   A    |        |      |    C
1   |        |   A    |        |      |    C
2   |   X    |   F    |   A    |      |   
2   |   X    |   F    |   A    |      |   
8   |        |        |        |      |    E

我的问题是如何从这里解决这个问题？很抱歉标题不好，但我不能说得更具体了。

Answer 1

抱歉，我认为 finally block 是您想要的输出(现在我明白这是您到目前为止所完成的)。您可以通过两次调用 reshape(long，然后是 wide)来获得中间 block 。

首先，我会生成与您的匹配的数据。

clear
set obs 4

* ids
generate n = _n
generate id = 1 in 1/2
replace id = 2 in 3
replace id = 8 in 4

* generate your variables
forvalues i = 1/20 {
    generate var`i' = ""
}
replace var1 = "E" in 1
replace var1 = "X" in 3
replace var2 = "A" in 2
replace var2 = "F" in 3
replace var3 = "A" in 3
replace var20 = "X" in 1
replace var20 = "C" in 2
replace var20 = "E" in 4

现在对 reshape 的两次调用。

* reshape to long, keep only desired obs, then reshape to wide
reshape long var, i(n id) string   
keep if inlist(var, "A", "B", "C", "D", "E", "F")
tempvar long_id
generate int `long_id' = _n
reshape wide var, i(`long_id') string

第一个 reshape 将您的数据从宽数据转换为长数据。 var 指定要整形为 long 的变量都以 var 开头。 i(n id) 指定 n 和 i 的每个唯一组合都是唯一的观察结果。 reshape 调用为您的每个 var1 到 var20 的每个 n-id 组合提供一个观察 变量。所以现在有 4*20=80 个观察值。然后我只保留您希望使用 inlist() 保留的字符串。

对于第二个 reshape 调用，var 指定您要 reshape 的值在变量 var 中，并且您将使用它作为前缀。您希望每个剩余字母一行，所以我创建了一个新索引(最终没有实际意义)，它成为第二次 reshape 调用的 i 索引(如果我使用 n-id 作为独特的观察，然后我们最终会回到我们开始的地方，但只有好的字符串)。 j 索引保留在第一个 reshape 调用(变量 _j)中，因此 reshape 已经知道要给出什么后缀到每个 var。

这两个 reshape 调用产生:

. list n id var1 var2 var3 var20

     +-------------------------------------+
     | n   id   var1   var2   var3   var20 |
     |-------------------------------------|
  1. | 1    1      E                       |
  2. | 2    1             A                |
  3. | 2    1                            C |
  4. | 3    2             F                |
  5. | 3    2                    A         |
     |-------------------------------------|
  6. | 4    8                            E |
     +-------------------------------------+

您可以轻松地添加在两次 reshape 之后都无法存活的变量。

* if you need to add back dropped variables
forvalues i =1/20 {
    capture confirm variable var`i'
    if _rc {
        generate var`i' = ""
    }
}