Loops 在元素列表中标识唯一的字符串值

我有一个不平衡的大型数据集，其中每个观测值可以获取多个字符串值，每个值存储在一个单独的变量中：

obs    year   var1    var2    var3    newval  

1      1990   str1    str2    str3     3   

1      1991   str1    str4    str5     2  

2      1990   str3    str4             2  

2      1991   str4    str5             1  

2      1993   str3    str5             0 

2      1994   str7                     1

在每个时间点和每次观察中，我需要计算字符串值是否为“新”。这意味着，在前几年的观测值中，它们没有出现

我应该如何在Stata解决这个问题

---

谢谢。

也许有一种更优雅的方法可以做到这一点

其主要思想是，我首先重塑数据，并按顺序计算每个字符串的出现次数。重塑使这更容易。然后我将使用collapse进行聚合，但只计算每个字符串出现的第一个实例。然后我将重新加入到您的原始数据

#delimit;

preserve;
    tempfile newval;

    reshape long var, i(obs year) j(s); // stack all the vars on top of each other
    bys obs var (year): gen n=_n if !missing(var); // number the appearance of each string in chronological order
    replace n=0 if n>1 & !missing(n); // only count the first instance

    collapse (sum) mynewval=n, by(obs year); // add up the counts
    save `newval';
restore;

merge 1:1 obs year using `newval', nogen;

compare newval mynewval;

---

这个问题也发布在Statalist上。这是我的答案。我倾向于不使用

merge

s，除非问题从两个或更多文件开始

clear
input obs     yr   str4 var1 str4  var2 str4   var3
1        90   str1    str2    str3
1        91    str1    str4    str5
2        90    str3    str4
2        91    str4    str5
2        93    str3    str5
2        94    str7
end
reshape long var , i(obs yr) j(which)
bysort obs var (yr) : gen new = _n == 1 & !missing(var)
bysort obs yr : replace new = sum(new)
by obs yr : replace new = new[_N]
reshape wide var, i(obs yr) j(which)

（更多）进一步的评论主要集中在效率上，这里指的是速度而不是空间。（存储空间可能会咬到海报。）

如果不进行重构，这里使用

重塑

，问题是一个三重循环：标识符过多、每个标识符的观察过多和变量过多。可能两个外部循环可以折叠为一个。但在Stata中，显式循环观测通常很慢

在Dimitry和我提出的重构解决方案中，

by:

操作直接进入已编译代码，速度相对较快：

重塑

是解释代码，需要进行文件操作，因此速度可能较慢。另一方面，

reformate

可以很快地用一些经验来写下来，而且真正值得获得经验带来的

reformate

的流畅性。除了

重塑

的帮助和手动输入外，请参阅我在上写的

重塑

的常见问题解答

---

另一个需要考虑的问题是，您还想对这种数据集做些什么。如果有类似性质的其他问题，通常使用

重塑

生成的长结构会更容易解决，因此保留该结构将是一个好主意

（+1）更加优雅！你好，尼克，非常感谢，这很有帮助！如果我可以跟进的话：我从你（和迪米特里的回答）的观点来看，重塑是处理这个问题的一种更有效的方法，而不是像你在“计算一组变量的不同字符串数/Stata FAQ”中建议的那样，在obs上构建值列表/循环。我问bc我有一个大的数据集，很多字符串vb和重塑需要很长时间。谢谢这里的“效率”是什么？您是否将程序员时间包括在任何计算中？您的案例包括任何变量中的新值，这意味着要跟踪到目前为止在所有变量中看到的值。你可以试着在常见问题解答中的想法基础上再接再厉。我不知道哪条路更快。我知道我可以更快地写出上面的解，这是我的计算。对！执行重塑命令的时间与编程时间的机会成本相比相形见绌（对于初学者来说是巨大的）。因此，我正在使用我更了解的代码运行。经验教训：-）机会成本！我想你只是把自己定位为一名经济学家。请参阅我的答案中（更多）下的更多详细信息。