如何将Stata中的长数据转换为宽数据?
我有以下数据:如何将Stata中的长数据转换为宽数据?,stata,reshape,Stata,Reshape,我有以下数据: id test test_date value 1 A 02/06/2014 12:26 11 1 B 02/06/2014 12:26 23 1 C 02/06/2014 13:17 43 1 D 02/06/2014 13:17 65 1 E 02/06/2014 13:17 34 1 F 02/06/2014 13:17 64 1 A 05/06/2014 15:14
id test test_date value
1 A 02/06/2014 12:26 11
1 B 02/06/2014 12:26 23
1 C 02/06/2014 13:17 43
1 D 02/06/2014 13:17 65
1 E 02/06/2014 13:17 34
1 F 02/06/2014 13:17 64
1 A 05/06/2014 15:14 234
1 B 05/06/2014 15:14 646
1 C 05/06/2014 16:50 44
1 E 05/06/2014 16:50 55
2 E 05/06/2014 16:50 443
2 F 05/06/2014 16:50 22
2 G 05/06/2014 16:59 445
2 B 05/06/2014 20:03 66
2 C 05/06/2014 20:03 77
2 D 05/06/2014 20:03 88
2 E 05/06/2014 20:03 44
2 F 05/06/2014 20:19 33
2 G 05/06/2014 20:19 22
我想将此数据转换为以下宽格式:
id date A B C D E F G
1 02/06/2014 12:26 11 23 43 65 34 64 .
1 05/06/2014 15:14 234 646 44 . 55 . .
2 05/06/2014 16:50 . . . . 443 22 445
2 05/06/2014 20:03 . 66 77 88 44 33 22
我正在Stata中使用
重塑
命令,但它没有产生所需的结果:
reshape wide test_date value, i(id) j(test) string
你知道怎么做吗
更新:
你说得对,我们需要这个missvar。我试图通过编程来创建它,但失败了。让我们说在2小时的测试日期,批次将考虑相同。我们只有7个测试(A、B、C、D、E、F、G)。首先,我试图找出时差
bysort id: gen diff_bd = (test_date[_n] - test_date[_n-1])/(1000*60*60)
bysort id: generate missvar = _n if diff_bd <= 2
bysort id:gen diff_bd=(测试日期[\n]-测试日期[\n-1])/(1000*60*60)
bysort id:generate missvar=\n如果diff\u bd命令的指定有点错误。您想重塑值
。查看您想要的输出,注意观察结果由id
和test\u date
唯一标识。因此,它们应该位于i
选项中
reshape wide value, i(id test_date) j(test) string
这会产生与您想要的非常接近的结果,您只需重命名一些变量即可获得精确的输出。具体而言:
rename test_date date
renpfix value
该命令的指定有点错误。您想重塑值
。查看您想要的输出,注意观察结果由id
和test\u date
唯一标识。因此,它们应该位于i
选项中
reshape wide value, i(id test_date) j(test) string
这会产生与您想要的非常接近的结果,您只需重命名一些变量即可获得精确的输出。具体而言:
rename test_date date
renpfix value
@jfeigenbaum给出了部分答案
我看到的问题是缺少一个标识相关子组的变量。这些亚组似乎受test
取值A-G
的限制。但我可能错了
我在示例数据集中包含了这个变量,并将其命名为missvar
。我强迫这个变量进入数据集中,相信它能识别出那些对你的分析很重要的群体,尽管这些群体在你的原始帖子中是隐含的
clear
set more off
*----- example data -----
input ///
id str1 test str30 test_date value missvar
1 A "02/06/2014 12:26" 11 1
1 B "02/06/2014 12:26" 23 1
1 C "02/06/2014 13:17" 43 1
1 D "02/06/2014 13:17" 65 1
1 E "02/06/2014 13:17" 34 1
1 F "02/06/2014 13:17" 64 1
1 A "05/06/2014 15:14" 234 2
1 B "05/06/2014 15:14" 646 2
1 C "05/06/2014 16:50" 44 2
1 E "05/06/2014 16:50" 55 2
2 E "05/06/2014 16:50" 443 1
2 F "05/06/2014 16:50" 22 1
2 G "05/06/2014 16:59" 445 1
2 B "05/06/2014 20:03" 66 2
2 C "05/06/2014 20:03" 77 2
2 D "05/06/2014 20:03" 88 2
2 E "05/06/2014 20:03" 44 2
2 F "05/06/2014 20:19" 33 2
2 G "05/06/2014 20:19" 22 2
end
gen double tdate = clock( test_date, "DM20Yhm")
format %tc tdate
drop test_date
list, sepby(id)
*----- what you want ? -----
reshape wide value, i(id missvar tdate) j(test) string
collapse (min) tdate value?, by(id missvar)
rename value* *
list
应该有某种方法以编程方式标识组。依赖数据的原始排序顺序是一种方法,但它可能不是最安全的。这可能是唯一的办法,但只有你知道
编辑
关于您的评论和“缺失”变量,创建它的一种方法是:
// one hour is 3600000 milliseconds
bysort id (tdate): gen batch = sum(tdate - tdate[_n-1] > 7200000)
对于示例数据,这将创建一个与mymissvar
相同的batch
变量。也可以使用时间序列运算符
让我强调,在展示示例数据时,您需要非常小心。它必须是真实的代表性的,否则您可能会得到不适合它的代码;这包括你没有注意到的可能性,因为Stata没有给出错误
例如,如果您在两小时内对相同的id
应用了相同的测试
,那么您将丢失此代码的信息(在折叠中)。(在示例数据中,这不是问题。)
编辑2
针对评论中的另一个问题:
假设对人1进行新的观察,使其在两小时内接受重复测试,但在不同的时间:
1 A "02/06/2014 12:26" 11 1 // old observation
1 B "02/06/2014 12:26" 23 1
1 A "02/06/2014 12:35" 99 1 // new observation
1 C "02/06/2014 13:17" 43 1
1 D "02/06/2014 13:17" 65 1
1 E "02/06/2014 13:17" 34 1
1 F "02/06/2014 13:17" 64 1
1 A "05/06/2014 15:14" 234 2
1 B "05/06/2014 15:14" 646 2
1 C "05/06/2014 16:50" 44 2
1 E "05/06/2014 16:50" 55 2
测试A
在12:26
和12:35
应用<代码>重塑
对此没有问题,但是折叠
将丢弃信息,因为它在id missvar
组中取最小值;请注意,对于变量valueA
,新信息(99)将丢失(所有其他变量也会丢失,但您明确表示要放弃该信息)。在重塑
之后但在折叠
之前,您会得到:
. list, sepby(id)
+--------------------------------------------------------------------------------------------------+
| id missvar tdate valueA valueB valueC valueD valueE valueF valueG |
|--------------------------------------------------------------------------------------------------|
1. | 1 1 02jun2014 12:26:00 11 23 . . . . . |
2. | 1 1 02jun2014 12:35:00 99 . . . . . . |
3. | 1 1 02jun2014 13:17:00 . . 43 65 34 64 . |
4. | 1 2 05jun2014 15:14:00 234 646 . . . . . |
5. | 1 2 05jun2014 16:50:00 . . 44 . 55 . . |
|--------------------------------------------------------------------------------------------------|
6. | 2 1 05jun2014 16:50:00 . . . . 443 22 . |
7. | 2 1 05jun2014 16:59:00 . . . . . . 445 |
8. | 2 2 05jun2014 20:03:00 . 66 77 88 44 . . |
9. | 2 2 05jun2014 20:19:00 . . . . . 33 22 |
+--------------------------------------------------------------------------------------------------+
运行完整的代码证实了我们刚才所说的:
. list, sepby(id)
+--------------------------------------------------------------------------+
| id missvar tdate A B C D E F G |
|--------------------------------------------------------------------------|
1. | 1 1 02jun2014 12:26:00 11 23 43 65 34 64 . |
2. | 1 2 05jun2014 15:14:00 234 646 44 . 55 . . |
|--------------------------------------------------------------------------|
3. | 2 1 05jun2014 16:50:00 . . . . 443 22 445 |
4. | 2 2 05jun2014 20:03:00 . 66 77 88 44 33 22 |
+--------------------------------------------------------------------------+
现在假设对人1进行新的观察,使其在两小时内接受重复测试,但同时接受:
1 A "02/06/2014 12:26" 11 1 // old observation
1 B "02/06/2014 12:26" 23 1
1 A "02/06/2014 12:26" 99 1 // new observation
1 C "02/06/2014 13:17" 43 1
1 D "02/06/2014 13:17" 65 1
1 E "02/06/2014 13:17" 34 1
1 F "02/06/2014 13:17" 64 1
1 A "05/06/2014 15:14" 234 2
1 B "05/06/2014 15:14" 646 2
1 C "05/06/2014 16:50" 44 2
1 E "05/06/2014 16:50" 55 2
然后,重塑
将不起作用。斯塔塔抱怨说:
id missvar tdate内的变量测试值不唯一
而且有理由。在发出故障信号时,错误是显而易见的。(如果不清楚,请返回帮助重塑
并进行一些练习。)鉴于命令的功能,该请求毫无意义
最后,请注意,检查某些东西是否有效相对容易:试试看!在这种情况下,所需要做的只是稍微修改一下示例数据。如有必要,请返回帮助文件和手册。@jfeigenbaum给出了部分答案
我看到的问题是缺少一个标识相关子组的变量。这些亚组似乎受test
取值A-G
的限制。但我可能错了
我在示例数据集中包含了这个变量,并将其命名为missvar
。我强迫这个变量进入数据集中,相信它能识别出那些对你的分析很重要的群体,尽管这些群体在你的原始帖子中是隐含的
clear
set more off
*----- example data -----
input ///
id str1 test str30 test_date value missvar
1 A "02/06/2014 12:26" 11 1
1 B "02/06/2014 12:26" 23 1
1 C "02/06/2014 13:17" 43 1
1 D "02/06/2014 13:17" 65 1
1 E "02/06/2014 13:17" 34 1
1 F "02/06/2014 13:17" 64 1
1 A "05/06/2014 15:14" 234 2
1 B "05/06/2014 15:14" 646 2
1 C "05/06/2014 16:50" 44 2
1 E "05/06/2014 16:50" 55 2
2 E "05/06/2014 16:50" 443 1
2 F "05/06/2014 16:50" 22 1
2 G "05/06/2014 16:59" 445 1
2 B "05/06/2014 20:03" 66 2
2 C "05/06/2014 20:03" 77 2
2 D "05/06/2014 20:03" 88 2
2 E "05/06/2014 20:03" 44 2
2 F "05/06/2014 20:19" 33 2
2 G "05/06/2014 20:19" 22 2
end
gen double tdate = clock( test_date, "DM20Yhm")
format %tc tdate
drop test_date
list, sepby(id)
*----- what you want ? -----
reshape wide value, i(id missvar tdate) j(test) string
collapse (min) tdate value?, by(id missvar)
rename value* *
list
应该有某种方法以编程方式标识组。依赖数据的原始排序顺序是一种方法,但它可能不是最安全的。这可能是唯一的办法,但只有你知道
编辑
关于您的评论和“缺失”变量,创建它的一种方法是:
// one hour is 3600000 milliseconds
bysort id (tdate): gen batch = sum(tdate - tdate[_n-1] > 7200000)
对于示例数据,这将创建一个与mymissvar
相同的batch
变量。也可以使用时间序列运算符
让我强调,在展示示例数据时,您需要非常小心。它必须是真实的代表性的,否则您可能会得到不适合它的代码;这包括你没有注意到的可能性,因为Stata没有给出错误
例如,如果您在两小时内对相同的id
应用了相同的测试
,那么您将丢失此代码的信息(在折叠中)。(这不是问题