Как рассчитать возраст компании, используя разницу между «максимальным» годом и «минимальным» годом в R

Question

У меня есть набор данных, который включает все продажи для компании за данный год (балансовая единица = gvkey, year = fyeqarq, sales = saley).Я пытаюсь рассчитать возраст компании, используя последний год, в котором указаны ее продажи, и вычитая его к первому году, в котором указаны продажи.

Я продолжаю сталкиваться с различными проблемами или ошибками при этом.Текущий заставляет RStudio полностью перестать работать.Возможно, кто-то мог бы указать, есть ли лучший способ кодировать это?Или если это неправильно?Я довольно новичок в R.

Я также пытался использовать dplyrs "first" и "last", но я думаю, что применил его неправильно.

age <- function(x){
  out <- c(NA, x[seq_len(max(df_age$fyearq))]-x[seq_len(min(df_age$fyearq))])
  return(out) }

df_age$companyage <- do.call("c", by(df_age$fyearq, df_age$gvkey, age))

Образец из набора данных (первые 100 строк) с использованием dput:

structure(list(gvkey = c(1000L, 1000L, 1000L, 1000L, 1000L, 1000L, 
1000L, 1000L, 1000L, 1000L, 1001L, 1001L, 1001L, 1001L, 1003L, 
1003L, 1003L, 1003L, 1003L, 1003L, 1003L, 1003L, 1004L, 1004L, 
1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 
1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 
1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 
1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 
1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 1004L, 
1004L, 1004L, 1004L, 1004L, 1005L, 1005L, 1005L, 1005L, 1005L, 
1006L, 1006L, 1007L, 1007L, 1007L, 1007L, 1007L, 1008L, 1008L, 
1008L, 1008L, 1009L, 1009L, 1009L, 1009L, 1009L, 1009L, 1009L, 
1009L, 1009L, 1009L, 1009L), fyearq = c(1969L, 1970L, 1971L, 
1972L, 1973L, 1974L, 1975L, 1976L, 1977L, 1978L, 1983L, 1984L, 
1985L, 1986L, 1983L, 1984L, 1985L, 1986L, 1987L, 1988L, 1989L, 
1990L, 1968L, 1969L, 1970L, 1971L, 1972L, 1973L, 1974L, 1975L, 
1976L, 1977L, 1978L, 1979L, 1980L, 1981L, 1982L, 1983L, 1984L, 
1985L, 1986L, 1987L, 1988L, 1989L, 1990L, 1991L, 1992L, 1993L, 
1994L, 1995L, 1996L, 1997L, 1998L, 1999L, 2000L, 2001L, 2002L, 
2003L, 2004L, 2005L, 2006L, 2007L, 2008L, 2009L, 2010L, 2011L, 
2012L, 2013L, 2014L, 2015L, 2016L, 2017L, 2018L, 1978L, 1979L, 
1980L, 1981L, 1982L, 1982L, 1983L, 1982L, 1983L, 1984L, 1985L, 
1986L, 1983L, 1984L, 1985L, 1986L, 1983L, 1984L, 1985L, 1986L, 
1987L, 1988L, 1989L, 1990L, 1991L, 1992L, 1993L), saley = c(7.095, 
9.478, 7.983, 8.201, 8.467, 9.961, 11.295, 16.226, 18.014, 18.92, 
4.921, 6.434, 7.865, 13.997, 2.647, 2.419, 2.761, 7.392, 8.852, 
79.894, 48.393, 19.502, 1.694, 4.166, 5.063, 5.185, 7.555, 11.174, 
13, 13.979, 18.381, 20.496, 28.669, 32.563, 30.454, 41.766, 40.465, 
40.475, 52.723, 53.836, 66.376, 74.543, 90.007, 108.635, 116.092, 
107.339, 98.072, 98.306, 97.191, 1212.356, 1422.924, 1863.645, 
2582.936, 2596.419, 2222.306, 1680.935, 1522.926, 1572.618, 1789.764, 
2133.438, 2541.417, 3300.719, 3549.624, 3260.308, 4386.042, 5029.107, 
5364.4, 4400.8, 3966.3, 4134.1, 3869, 4239.5, 1425.9, 1.293, 
2.583, 3.762, 6.872, 7.231, 2.287, 2.289, 1.724, 1.334, 1.009, 
1.064, 1.204, 0.065, 0.469, 0.08, 1.022, 3.565, 4.436, 4.939, 
5.013, 4.508, 4.581, 8.058, 8.16, 8.373, 9.362, 169.922)), row.names = c(6735L, 
8891L, 11367L, 14026L, 16823L, 19660L, 22506L, 25386L, 28253L, 
31209L, 50854L, 57451L, 64185L, 71149L, 50855L, 57452L, 64186L, 
71150L, 78490L, 85850L, 93149L, 100335L, 4810L, 6736L, 8892L, 
11368L, 14027L, 16824L, 19661L, 22507L, 25387L, 28254L, 31210L, 
34111L, 36988L, 39814L, 44656L, 50856L, 57453L, 64187L, 71151L, 
78491L, 85851L, 93150L, 100336L, 107454L, 114551L, 121923L, 129787L, 
138848L, 149183L, 159747L, 170254L, 181110L, 191976L, 202480L, 
212402L, 221703L, 230643L, 239235L, 247644L, 255712L, 263449L, 
270929L, 278189L, 285331L, 292379L, 299553L, 306708L, 313762L, 
320630L, 327242L, 333472L, 31211L, 34112L, 36989L, 39815L, 44657L, 
44658L, 50857L, 44659L, 50858L, 57454L, 64188L, 71152L, 50859L, 
57455L, 64189L, 71153L, 50860L, 57456L, 64190L, 71154L, 78492L, 
85852L, 93151L, 100337L, 107455L, 114552L, 121924L), class = "data.frame")

Answer 1

Вы можете использовать tapply для вычисления diff коэффициента range переменной fyearq для каждой компании

tapply(df_age$fyearq, df_age$gvkey, function(x) diff(range(x)))
#1000 1001 1003 1004 1005 1006 1007 1008 1009 
#   9    3    7   50    4    1    4    3   10 

Или попробуйте aggregate

aggregate(fyearq ~ gvkey, df_age, FUN = function(x) diff(range(x)))
#  gvkey fyearq
#1  1000      9
#2  1001      3
#3  1003      7
#4  1004     50
#5  1005      4
#6  1006      1
#7  1007      4
#8  1008      3
#9  1009     10

Answer 2

Я бы также использовал dplyr-подход, поэтому прокомментируйте, что могло бы быть не так, когда вы его попробовали.

Проблема с first и last заключается в том, что они берут первое и последнеезначения в массиве независимо от их значений .Например,

example <- c(10, 0, 999, -1)
> first(example)
[1] 10
> last(example)
[1] -1

Для вашей задачи вам действительно нужны значения массива min и max:

> min(example)
[1] -1
> max(example)
[1] 999

Нет, переходите к вашему случаюИнтересно (я назвал данные, которые вы предоставили df):

df %>% 
  group_by(gvkey) %>% 
  summarize(age = max(fyearq) - min(fyearq))

# A tibble: 9 x 2
  gvkey   age
  <int> <dbl>
1  1000     9
2  1001     3
3  1003     7
4  1004    50
5  1005     4
6  1006     1
7  1007     4
8  1008     3
9  1009    10

То, что мы сделали, было первой группой по идентификатору каждой компании, поэтому минимальные и максимальные значения будут рассчитываться внутри каждой компании.Затем мы суммировали, вычитая минимальный год из максимального года.

В качестве альтернативы, вы можете использовать mutate, чтобы добавить возраст во фрейм данных в качестве нового столбца:

df %>% 
  group_by(gvkey) %>% 
  mutate(age = max(fyearq) - min(fyearq)) %>% 
  ungroup()

# A tibble: 100 x 4
   gvkey fyearq saley   age
   <int>  <int> <dbl> <dbl>
 1  1000   1969  7.10     9
 2  1000   1970  9.48     9
 3  1000   1971  7.98     9
 4  1000   1972  8.20     9
 5  1000   1973  8.47     9
 6  1000   1974  9.96     9
 7  1000   1975 11.3      9
 8  1000   1976 16.2      9
 9  1000   1977 18.0      9
10  1000   1978 18.9      9
# ... with 90 more rows

Edit : Для краткого введения в логику dplyr'а и некоторые из его наиболее полезных функций, эта глава R для Data Science действительно хороша, и ее содержание имеет большое значение.