Question

我是r的新手，在处理数据以进行分析时遇到了一些麻烦。如果有人可以提供帮助，我将不胜感激，因为这对我的研究至关重要。

我已经问过类似的问题，但是我得到的答案并未完全解决我的问题，这次我将尝试变得更加清晰，看看是否有人可以提供帮助。

我的数据看起来像这样：

df<- data.frame(
"Reporter" = c("USA", "USA", "USA", "USA", "USA","USA"),
"Partner" = c( "EU", "EU","EU","EU", "EU","EU"), 
"Product.cat" = c("1", "11", "111", "112", "12", "2"), 
"Product Description" = c("Food", "Fruit", "Apple", 
"Banana", "Meat", "Manifactured"),
"Year" = c(1970, 1970, 1970, 1970, 1970, 1970), 
"trade value" = c( 100, 50, 30, 20, 50, 220), 
stringsAsFactors = FALSE)

我有关于贸易的国别年观察。向量'product.cat'指示要出口的商品类型。 product.cat 的位数越多，贸易信息的分类就越多。例如， product.cat。 111（例如苹果）和112（例如香蕉）是产品类别11（例如水果）的子产品类别。更高级别的聚合也是如此。产品类别11（水果）是 product.cat 1（食品）和 product.cat 12（肉）的子类别。注意，较低类别的数据嵌套在较高级别的聚合中。因此， product.cat 11（50）的值等于 product.cat 111（30）+ product.cat 112的值（20）。

要进行分析，我需要确定那些未分类的数据值-即我需要确定未报告的三位数数据。

我的问题是，对于某些国家/地区的年度观察，我在所有聚合级别（例如1,11,111,112）上均准确地报告了数据，而对于其他国家/地区，我仅在较高聚合级别（例如12和2）上有数据。例如，在我的示例中，我只有 product.cat 12（肉），而没有关于哪种肉 product.cat 121（猪肉）， product.cat 122（小牛肉）。同样，在该示例中，关于 product.cat 2（制造）的数据也未以较低级别报告。我们不知道 product.cat 21（衣服）还是 product.cat 22（木制品）。

换句话说，我有以2位数（12）或第一个数字级别（2）报告的数据，可以以3位数的级别报告。 请注意，每个类别应按3级数字分类

我想做的是找到一种方法来个性化所有数据 排他聚集并 更改其product.cat名称，并在末尾添加“ m”。
在操作后， product.cat 12应该变为* 12m ，以指示仅在第二位报告了数据。同样，我想识别仅在第一位数报告的出口 。 product.cat 2应该变为 2mm ，以反映仅在第一位报告了数据。

可以肯定的是，只有我具有较高聚合级别的信息（即在示例12和2中）的数据才应包含“ m”。例如，在该示例中，我不希望有1mm，因为我的数据聚合级别较低（11,12）。同样，我也不想有11m，因为我的数据聚合级别较低（111,112）。我想要的是12m和2mm，因为仅以更高的聚合级别（12和2）报告数据。

我知道这是一个非常具体的问题，但是如果有人可以提供帮助，我将不胜感激。

注意：在实际数据集中，由于测量误差，分类值的总和并不总是完美地累加到较高的聚合级别。（例如111 + 112可以> 11）。因此，理想情况下，为了解决该问题，我正在寻找一个函数，该函数能够根据除以国家，合作伙伴，年份而不是交易价值总和的位数来指定何时添加m。

我真的非常感谢能为我提供帮助的所有人，这对我的研究将是向前迈出的一大步。

----尝试

我一直在研究此功能，但是它似乎并没有满足我的要求。也许有人可以找出问题所在

fillLevel <- function(x, width = 3, fill = "m"){
sp <- split(x, substr(x, 1, 1))
sp <- lapply(seq_along(sp), function(i){
n <- nchar(sp[[i]])
if(all(n < 3)){
  j <- which(n == max(n))
  sp[[i]][j] <- gsub(" ", "m", formatC(sp[[i]][j], width = -3))
}
sp[[i]]
})
unname(unlist(sp))
}

df <- df%>% mutate(prdcat2 = fillLevel(df$Product.cat.))

如您所见，它只有2mm而不是 12m 。而且，当我在更复杂的代码上运行它时，它会使我的数据顺序混乱。我认为这与sp <- lapply(seq_along(sp)有关，但是我不确定该如何处理。

最佳

Answer 1

这里是一种方法：

library(data.table)
setDT(df)

# tag levels
df[, lvl := nchar(Product.cat)]
df[lvl < 3L, has_subcat := FALSE]

# use level-3 observations to flag level-2s as okay    
df[
  df[lvl == 3, .(Reporter, Partner, Year, Product.cat = substr(Product.cat, 1, 2))],
  on=.(Reporter, Partner, Year, Product.cat),
  has_subcat := TRUE
]

# use level-2 observations to flag level-1s as okay    
df[
  df[lvl == 2, .(Reporter, Partner, Year, Product.cat = substr(Product.cat, 1, 1))],
  on=.(Reporter, Partner, Year, Product.cat),
  has_subcat := TRUE
]

# create new cat, flagging observations with no subcategories
df[, newcat := Product.cat]
df[has_subcat == FALSE, newcat := paste0(Product.cat, strrep("m", 3-lvl))]

   Reporter Partner Product.cat Product.Description Year trade.value lvl has_subcat newcat
1:      USA      EU           1                Food 1970         100   1       TRUE      1
2:      USA      EU          11               Fruit 1970          50   2       TRUE     11
3:      USA      EU         111               Apple 1970          30   3         NA    111
4:      USA      EU         112              Banana 1970          20   3         NA    112
5:      USA      EU          12                Meat 1970          50   2      FALSE    12m
6:      USA      EU           2        Manifactured 1970         220   1      FALSE    2mm

我假设应该在“ Reporter-Partner-Year”中分别进行此操作。

根据嵌套数据中的条件区分行

1 个答案: