Estoy trabajando con la ENOE y quiero asignar a cada hogar el nivel educativo del "Jefe o jefa de hogar", código 101 en la variables par_c
. La idea es crear una nueva columna en la que cada fila de un grupo (es decir, para todos los miembros del hogar) se repita el la escolaridad del jefe.
La n real es casi 500k, entonces el ahorro de RAM y el desempeño importan.
Así se ven los datos mínimos:
id_hogar | par_c | cs_p13_1 |
---|---|---|
1000 | 101 | Preparatoria o bachillerato |
1000 | 201 | Secundaria |
1000 | 301 | Preparatoria o bachillerato |
1001 | 101 | Preparatoria o bachillerato |
1002 | 101 | Profesional |
1002 | 201 | Carrera técnica |
1002 | 301 | Profesional |
1002 | 418 | Profesional |
1002 | 408 | Secundaria |
1003 | 101 | Maestría |
1004 | 101 | Primaria |
1005 | 101 | Preparatoria o bachillerato |
1005 | 301 | Preparatoria o bachillerato |
1005 | 301 | Profesional |
Y así se reproducen:
library(tidyverse)
library(haven) #Para las etiquetas de cs_p13_1, son datos importados de stata
structure(list(id_hogar = c(1000L, 1000L, 1000L, 1001L, 1002L,
1002L, 1002L, 1002L, 1002L, 1003L, 1004L, 1005L, 1005L, 1005L
), par_c = structure(c(101, 201, 301, 101, 101, 201, 301, 418,
408, 101, 101, 101, 301, 301), format.stata = "%12.0g"), cs_p13_1 = structure(c(5L,
4L, 5L, 5L, 8L, 7L, 8L, 8L, 4L, 9L, 3L, 5L, 5L, 8L), .Label = c("Ninguno",
"Preescolar", "Primaria", "Secundaria", "Preparatoria o bachillerato",
"Normal", "Carrera técnica", "Profesional", "Maestría", "Doctorado",
"No Sabe"), class = "factor")), row.names = c(NA, -14L), class = c("tbl_df",
"tbl", "data.frame")) -> datos
La solución que tengo:
datos %>%
group_by(id_hogar) %>%
mutate(escolaridad_jefe = case_when(par_c == 101 ~ cs_p13_1)) %>%
fill(escolaridad_jefe, .direction = "downup")
Que funciona muy rápido con los datos de ejemplo, pero no me parece óptima. Es muy lento con el caso real porque son 500k filas, condiciones más complejas y, sobre todo, muchas variables las que tengo que crear así. Entonces tengo que hacer un fill
para cada variable y el código se pone complicado de mantener.
¿Hay alguna manera directa para que el mutate(case_when))
asigne el valor output a todas las filas del grupo? Por diseño de la encuesta sé a priori que un solo jefe/a por hogar.
nest()
no es una opción, anidar y desanidar demoran un minuto por operación.
PD: una solución no tidyverse (base, data.table) es bienvenida.