问题描述
嘿,我需要一些清理数据的帮助,我对R还是很陌生,所以请放轻松。
我在下面发布了数据样本。
- 这是一个面板数据集,用于查看公司随时间变化的价格(值列)
- 公司名称为cik列
问题是我没有整个期间每个公司的完整数据,有些公司在整个期间根本没有任何数据,因此,它们在所有日期的价值都是不适用,不过,有些人会在一定时期内(例如2004-2006年)获得数据,但不会在整个采样期间获得数据。当连续24个月或更长时间连续有数据时,我想保留数据。
例如,如果公司具有从2005/01/01到2008/01/01的数据,我想保留此数据。 但是,如果公司具有从2005/01/01到2006/01/01的数据,我想排除此数据。 在数据中还会有一些公司发生中断,例如某公司可能有从2005/01/01到2006/01/01以及从2008/01/01到2015/01/01的数据,在这种情况下,我想要保留2008年1月1日至2015年1月1日的数据,但不包括2005年1月1日至2006年1月1日的数据。
cik value date
<dbl> <dbl> <date>
1001039 41.500 2004-10-31
1001039 26.000 2004-11-30
1001039 24.500 2004-12-31
1001039 31.250 2005-01-31
1001039 24.090 2005-02-28
1001039 30.250 2005-03-31
1001039 35.340 2005-04-30
1001039 38.500 2005-05-31
1001039 30.000 2005-06-30
1001039 27.250 2005-07-31
1001039 34.500 2005-08-31
1001039 37.500 2005-09-30
1001039 43.750 2005-10-31
1001039 40.120 2005-11-30
1001039 33.250 2005-12-31
1001039 29.000 2006-01-31
1001039 23.500 2006-02-28
1001039 21.500 2006-03-31
1001039 17.840 2006-04-30
1001039 21.000 2006-05-31
1001039 18.060 2006-06-30
1001039 19.160 2006-07-31
1001039 18.500 2006-08-31
1001039 17.750 2006-09-30
1001039 15.500 2006-10-31
1001039 12.000 2006-11-30
1001039 11.500 2006-12-31
1001039 9.915 2007-01-31
104169 5.700 2007-05-31
104169 10.000 2007-06-30
104169 21.000 2007-07-31
104169 22.500 2007-08-31
104169 18.500 2007-09-30
104169 22.500 2007-10-31
104169 28.000 2007-11-30
104169 26.000 2007-12-31
104169 35.500 2008-01-31
104169 57.200 2008-02-29
104169 42.300 2008-03-31
104169 30.800 2008-04-30
104169 35.500 2008-05-31
1001039 34.980 2017-10-31
1001039 33.360 2017-11-30
1001039 32.970 2017-12-31
1001039 28.685 2018-01-31
1001039 28.200 2018-02-28
1001039 35.855 2018-03-31
1001039 29.755 2018-04-30
1001039 34.145 2018-05-31
1001039 48.275 2018-06-30
1001039 37.310 2018-07-31
1001039 34.600 2018-08-31
1001039 36.980 2018-09-30
1001039 34.615 2018-10-31
1001039 35.195 2018-11-30
1001039 40.920 2018-12-31
1001039 29.050 2019-01-31
1001039 21.005 2019-02-28
1001039 18.420 2019-03-31
1001039 16.980 2019-04-30
1001039 21.280 2019-05-31
1001039 17.235 2019-06-30
1001039 15.700 2019-07-31
1001039 15.990 2019-08-31
1001039 19.525 2019-09-30
1001039 19.500 2019-10-31
1001039 16.885 2019-11-30
1001039 15.940 2019-12-31
1001039 18.770 2020-01-31
1001039 28.650 2020-02-29
1001039 59.405 2020-03-31
1001039 36.265 2020-04-30
1001039 26.345 2020-05-31
1001039 23.960 2020-06-30
1001039 22.195 2020-07-31
100885 40.010 2004-10-31
100885 26.500 2004-11-30
100885 30.000 2004-12-31
100885 70.200 2008-03-31
100885 40.300 2008-04-30
100885 51.500 2008-05-31
100885 72.500 2008-06-30
100885 55.600 2008-07-31
100885 66.000 2008-08-31
100885 54.200 2008-09-30
100885 85.500 2008-10-31
100885 140.000 2008-11-30
100885 100.000 2008-12-31
100885 104.100 2009-01-31
100885 101.090 2009-02-28
100885 86.960 2009-03-31
100885 63.850 2009-04-30
100885 50.500 2009-05-31
100885 57.160 2009-06-30
100885 38.000 2009-07-31
100885 48.500 2009-08-31
100885 44.250 2009-09-30
100885 59.790 2009-10-31
100885 70.130 2009-11-30
100885 45.420 2009-12-31
100885 59.290 2010-01-31
100885 58.980 2010-02-28
100885 58.500 2010-03-31
100885 52.250 2010-04-30
100885 54.360 2010-05-31
100885 50.500 2010-06-30
100885 41.870 2010-07-31
非常感谢大家!
解决方法
您可以创建按月顺序中断的组(连续的date
之间的差异大于31天),并仅选择至少具有24个小肠(2年)的组。
library(dplyr)
df %>%
arrange(cik,date) %>%
group_by(cik,grp = cumsum(c(TRUE,diff(date)) > 31)) %>%
filter(n() >= 24)