R. Обработка дат и широкого формата из импортированного файла Stata

Question

Мне был предоставлен файл данных Stata (counts.dta), который содержит ежедневные данные за годы с 1975 по 2006 год, хранящиеся в широкоформатном формате. В столбцах помечен месяц (полное имя месяца в виде символьной строки), день (числовые значения 1-31), а затем годы с 1975 по 2006 год с метками «_1975», «_1976» ... '_2006' , Я предполагаю, что подчеркивание является следствием чего-то в Stata. Есть фиктивные значения нуля (0), вставленные на дату 29 февраля, когда год-столбец не является високосным годом.

Я хочу сделать несколько вещей. Во-первых, конвертируйте в длинную форму с разумным представлением за год. Во-вторых, измените трехстороннее представление даты на нечто более разумное.

Мой подход был изменить символьная строка месяц до множителя, а затем получить его в правильном порядке:

require("foreign") 

counts <- read.dta(file='counts.dta') 
counts[['month']] <- as.factor(counts[['month']]) 
counts[['month']] <- 
    factor(counts[['month']], levels(counts[['month']])[c(5,4,8,1,9,7,6,2,12,11,10,3)]) 

Я тогда

str(counts) 

'data.frame': 366 obs. of 34 variables: 
$ month: Factor w/ 12 levels "January","February",..: 1 1 1 1 1 1 1 1 1 1 ... 
$ day : int 1 2 3 4 5 6 7 8 9 10 ... 
$ _1975: int 515 649 745 599 445 667 725 749 646 740 ... 
$ _1976: int 485 685 529 467 630 723 712 685 715 504 ... 
$ _1977: int 505 437 489 588 634 734 682 537 453 673 ... 

и так далее. Преобразование в длинном формате

lcounts <- reshape(counts, 
    direction="long", 
    varying=list(names(counts)[3:34]), 
    v.names="n.counts", 
    idvar=c("month","day"), 
    timevar="Year", 
    times=1975:2006) 

str(lcounts) 

дает

'data.frame': 11712 obs. of 4 variables: 
$ month : Factor w/ 12 levels "January","February",..: 1 1 1 1 1 1 1 1 1 1 ... 
$ day  : int 1 2 3 4 5 6 7 8 9 10 ... 
$ Year : int 1975 1975 1975 1975 1975 1975 1975 1975 1975 1975 ... 
$ n.counts: int 515 649 745 599 445 667 725 749 646 740 ... 

плюс некоторые дополнительные строки, относящиеся к исходному файлу Stata.

Мои вопросы: (1) то, что теперь является хорошим способом конвертировать в фактор-месяц, числовой год и числовой день в полезный формат даты, чтобы я мог определить, например, день неделя, интервал между двумя датами и так далее? (2) Был ли лучший способ решить проблему с самого начала?

Answer 1

Это должно быть довольно просто, потому что все, что вам нужно сделать, - это вставить вместе свои строки данных и использовать as.Date, чтобы создать вектор класса Date.

Давайте начнем с некоторыми данными, подобными вашему:

dat <- data.frame(month = c(rep("January",31), rep("February",29)), 
        day = c(1:31, 1:29), 
        Year = 1975, 
        n.counts = 515) 

Тогда создание переменной даты просто:

dat$Date <- as.Date(with(dat, paste(as.numeric(month), day, Year)), "%m %d %Y") 
str(dat) 
# 'data.frame': 60 obs. of 5 variables: 
# $ month : Factor w/ 2 levels "February","January": 2 2 2 2 2 2 2 2 2 2 ... 
# $ day  : int 1 2 3 4 5 6 7 8 9 10 ... 
# $ Year : num 1975 1975 1975 1975 1975 ... 
# $ n.counts: num 515 515 515 515 515 515 515 515 515 515 ... 
# $ Date : Date, format: "1975-02-01" "1975-02-02" "1975-02-03" "1975-02-04" # ... 

Answer 2

Основное внимание в этой теме, естественно, что делать в R после импорта данных, но здесь я собираю различные детали на стороне Stata этого.

Давно совет, что данные такого рода гораздо проще обрабатывать в Stata в длинной форме, а reshape long - это стандартная команда для преобразования данных, поступающих с данными за каждый год в отдельной переменной (пользователи R: пожалуйста прочитайте «столбец» как перевод). Поэтому, если это возможно, вы должны попросить поставщика таких файлов Stata сделать это перед экспортом.

То, что вызовы OP звонков, такие как _1975, являются именами законных переменных в Stata, и, поскольку OP догадывается, что подчеркивание необходимо, поскольку имена переменных в Stata не могут начинаться с числовых символов.

На основании предоставленной информации было бы возможно экспортировать данные без потерь из Stata в форматах файлов, отличных от .dta, особенно в виде обычных видов текстовых файлов (.csv и т. Д.).Предпочтительный способ

STATA о проведении ежедневных дат как целые числа с началом 0 = 1 январь 1960 (так 26 марта 2015 будет 20173), который предположительно является тривиальным легко преобразовать любую дату представления в R.

В короткая, конкретная и действительно специфическая форма данных, представленных в ОП, ни в коем случае не требуется ни синтаксисом Stata, ни даже рекомендована как часть хорошей практики Stata.