基于SIC代码在行业级别上聚合公司特定数据
基于SIC代码在行业级别上聚合公司特定数据
提问于 2020-09-14 17:37:44
我有大约250,000行公司特定的年度数据(2000-2019年)，以及每家公司的行业SIC代码。其目的是根据年份对每个SIC代码的每个变量列中的值进行求和。前几行的数据如下所示：
>head(compustat)
gvkey datadate fyear indfmt consol popsrc datafmt curcd at capx ceq emp ni revt xrd costat sic
1 1004 20000531 1999 INDL C D STD USD 740.998 22.344 339.515 2.9 35.163 1024.333 NA A 5080
2 1004 20010531 2000 INDL C D STD USD 701.854 13.134 340.212 2.5 18.531 874.255 NA A 5080
3 1004 20020531 2001 INDL C D STD USD 710.199 12.112 310.235 2.2 -58.939 638.721 NA A 5080
4 1004 20030531 2002 INDL C D STD USD 686.621 9.930 294.988 2.1 -12.410 606.337 NA A 5080对于列"at“、"capx”、"ceq“、"emp”、"ni“、"revt”、"xrd“，我需要所有公司每年具有相同SIC代码的总金额。因此，我的输出将是2000年至2019年期间同一行业SIC内所有变量的总值。
有人能帮我做到这一点吗？
谢谢,
回答 2
Stack Overflow用户
回答已采纳
发布于 2020-09-14 20:11:55
尝试此tidyverse解决方案。您可以按照策略选择所需的变量，设置一个group_by()，然后使用summarise_all()计算总和。您的共享数据很小，但它应该适用于较大的数据。代码如下：
library(tidyverse)
#Code
df %>%
#Filter years
filter(fyear>=2000 & fyear<=2019) %>%
#Select variables
select(sic,fyear,at,capx,ceq,emp,ni,revt,xrd) %>%
#Group by sic and year
group_by(sic,fyear) %>%
#Compute total
summarise_all(sum,na.rm=T)输出：
# A tibble: 3 x 9
# Groups: sic [1]
sic fyear at capx ceq emp ni revt xrd
<int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <int>
1 5080 2000 702. 13.1 340. 2.5 18.5 874. 0
2 5080 2001 710. 12.1 310. 2.2 -58.9 639. 0
3 5080 2002 687. 9.93 295. 2.1 -12.4 606. 0使用的一些数据：
#Data
df <- structure(list(gvkey = c(1004L, 1004L, 1004L, 1004L), datadate = c(20000531L,
20010531L, 20020531L, 20030531L), fyear = 1999:2002, indfmt = c("INDL",
"INDL", "INDL", "INDL"), consol = c("C", "C", "C", "C"), popsrc = c("D",
"D", "D", "D"), datafmt = c("STD", "STD", "STD", "STD"), curcd = c("USD",
"USD", "USD", "USD"), at = c(740.998, 701.854, 710.199, 686.621
), capx = c(22.344, 13.134, 12.112, 9.93), ceq = c(339.515, 340.212,
310.235, 294.988), emp = c(2.9, 2.5, 2.2, 2.1), ni = c(35.163,
18.531, -58.939, -12.41), revt = c(1024.333, 874.255, 638.721,
606.337), xrd = c(NA, NA, NA, NA), costat = c("A", "A", "A",
"A"), sic = c(5080L, 5080L, 5080L, 5080L)), class = "data.frame", row.names = c("1",
"2", "3", "4"))Stack Overflow用户
发布于 2020-09-14 20:17:07
你可以使用dplyr库来实现这一点:考虑到你有一个像这样的数据帧dw：
dw <- read.table(header=T, text='
gvkey datadate fyear indfmt consol popsrc datafmt curcd at capx ceq emp ni revt xrd costat sic
1004 20000531 1999 INDL C D STD USD 740.998 22.344 339.515 2.9 35.163 1024.333 NA A 5080
1004 20010531 2000 INDL C D STD USD 701.854 13.134 340.212 2.5 18.531 874.255 NA A 5080
1004 20020531 2001 INDL C D STD USD 710.199 12.112 310.235 2.2 -58.939 638.721 NA A 5080
1004 20010531 2000 INDL C D STD USD 701.854 13.134 340.212 2.5 18.531 874.255 NA A 5080
1004 20020531 2008 INDL C D STD USD 710.199 12.112 310.235 2.2 -58.939 638.721 NA A 5080
1004 20030531 2002 INDL C D STD USD 686.621 9.930 294.988 2.1 -12.410 606.337 NA A 5080
1004 20030531 2002 INDL C D STD USD 686.621 9.930 294.988 2.1 -12.410 606.337 NA A 5080
')下面的代码可以通过sic和fyear对其进行分组，然后选择fyear大于2000的行。
library(dplyr)
df = as.data.frame(dw %>% group_by(sic, fyear) %>% summarise(capx=sum(capx), ceq=sum(ceq),emp=sum(emp), ni=sum(ni), revt=sum(revt), xrd=sum(xrd)))
df = df[df$fyear >=2000, ]
print(df)最终输出如下所示：
sic fyear capx ceq emp ni revt xrd
5080 2000 26.268 680.424 5.0 37.062 1748.510 NA
5080 2001 12.112 310.235 2.2 -58.939 638.721 NA
5080 2002 19.860 589.976 4.2 -24.820 1212.674 NA
5080 2008 12.112 310.235 2.2 -58.939 638.721 NA页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/63881786
复制相关文章
相似问题
腾讯云开发者
