r - 为无序的重复二元组分配平均值和/或条件分配

Question

我遇到了一些超出我的技能范围的事情。我正在处理 IMF 贸易数据，该数据由国家二元组之间的数据组成。 IMF 数据集由“无序重复”记录组成，每个国家/地区都单独报告贸易数据。但由于时间、记录系统、政权类型等多种多样，相应的数值存在差异。我正在尝试以两种方式处理这些数据:

1. 将平均值分配给重复的二元组。
2. 根据单独的经济指标或发展指数(我更信任谁？)有条件地分配对偶值。

有几个关于识别无序重复项的讨论 here , here , here , 和 here但经过几天的搜索，我还没有看到我想要做什么。

这是原始数据的示例。实际上还有更多的变量和几十万个二元组:

reporter<-c('USA','GER','AFG','FRA','CHN')
partner<-c('AFG','CHN','USA','CAN','GER')
year<-c(2010,2010,2010,2009,2010)
import<-c(-1000,-2000,-2400,-1200,-2000)
export<-c(2500,2200,1200,2900,2100)
rep_econ1<-c(28,32,12,25,19)

imf<-data.table(reporter,partner,year,import,export,rep_econ1)

imf

   reporter partner year import export rep_econ1
1:      USA     AFG 2010  -1000   2500        28
2:      GER     CHN 2010  -2000   2200        32
3:      AFG     USA 2010  -2400   1200        12
4:      FRA     CAN 2009  -1200   2900        25
5:      CHN     GER 2010  -2000   2100        19

额外的问题是 import 和 export 在二元组之间是互逆的，因此它们需要匹配并用绝对值表示。

对于目标 1，生成的 data.table 是:

平均值

 reporter   partner year    import  export  rep_econ1
  USA        AFG    2010    -1100   2450    28
  GER        CHN    2010    -2050   2100    32
  AFG        USA    2010    -2450   1100    12
  FRA        CAN    2009    -1200   2900    25
  CHN        GER    2010    -2100   2050    19

对于目标 2:

有条件地分配更高的经济指标 (rep_econ1)

 reporter   partner year    import  export  rep_econ1
 USA         AFG    2010    -1000   2500    28
 GER         CHN    2010    -2000   2200    32
 AFG         USA    2010    -2500   1000    12
 FRA         CAN    2009    -1200   2900    25
 CHN         GER    2010    -2200   2000    19

可能并非所有二元组都出现过两次，所以我收录了一张个人唱片。我更喜欢 data.table，但我会选择任何能引导我走上正确道路的东西。

感谢您的宝贵时间。

Answer 1

预处理:

library(data.table)

# get G = reporter/partner group and N = number of rows for each group
# Thanks @eddi for simplifying
imf[, G := .GRP, by = .(year, pmin(reporter, partner), pmax(reporter, partner))]
imf[, N := .N, G]

选项1(手段)

# for groups with 2 rows, average imports and exports
imf[N == 2
    ,   `:=`(import = (import - rev(export))/2
           , export = (export - rev(import))/2)
    , by = G]

imf


#    reporter partner year import export rep_econ1 G N
# 1:      USA     AFG 2010  -1100   2450        28 1 2
# 2:      GER     CHN 2010  -2050   2100        32 2 2
# 3:      AFG     USA 2010  -2450   1100        12 1 2
# 4:      FRA     CAN 2009  -1200   2900        25 3 1
# 5:      CHN     GER 2010  -2100   2050        19 2 2

选项2(最高经济指标)

# for groups with 2 rows, choose imports and exports based on highest rep_econ1
imf[N == 2
    , c('import', 'export') := {
        o <- order(-rep_econ1)
        import <- cbind(import, -export)[o[1], o]
        .(import, export = -rev(import))}
    , by = G]

imf


#    reporter partner year import export rep_econ1 G N
# 1:      USA     AFG 2010  -1000   2500        28 1 2
# 2:      GER     CHN 2010  -2000   2200        32 2 2
# 3:      AFG     USA 2010  -2500   1000        12 1 2
# 4:      FRA     CAN 2009  -1200   2900        25 3 1
# 5:      CHN     GER 2010  -2200   2000        19 2 2

选项 2 解释:您需要选择具有最高经济指标的行(即 order(-rep_econ1)[1] 行)并将其用于imports，但如果第二行是“可信”行，则需要将其反转。否则你会切换国家，因为第二个报告者的进口(现在是 cbind(import, -export)[o[1],] 的第一个元素)将被指定为第一个报告者的进口(因为它是第一个元素)。

编辑:

如果 imports 和 exports 在输入数据中都是正数并且需要在输出数据中为正数，则上面的两个计算可以修改为

imf[N == 2
    ,   `:=`(import = (import + rev(export))/2
           , export = (export + rev(import))/2)
    , by = G]

和

imf[N == 2
    , c('import', 'export') := {
        o <- order(-rep_econ1)
        import <- cbind(import, export)[o[1], o]
        .(import, export = rev(import))}
    , by = G]