1

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.

1 respuesta 1

1

Probaría con un left_join()

datos %>% 
  left_join(datos %>% 
              filter(par_c == 101) %>% 
              select(id_hogar, escolaridad_jefe = cs_p13_1),
            by = "id_hogar")

La subconsulta filtra los casos de "Jefe o jefa de hogar" y nos quedamos con su nivel educativo. Finalmente al relacionar por el id_hogar todas las filas heredan el nivel del jefe.

En cuanto a la performance, no puedo asegurar nada, pero posiblemente al ser menos "verbos" y más simples, puede que mejore algo el comportamiento.

2
  • Sí, de hecho como tengo muchas condiciones me queda muy bien hacer un tabla para el join con todas las combinaciones e ir directo con el left_join. Muchas gracias!
    – mpaladino
    Commented el 3 may. 2022 a las 0:00
  • 1
    Actualizo comentario: en producción 30x más rápido que case_when y la mitad de líneas de código. Lo que se dice una solución. Muchísimas gracias!
    – mpaladino
    Commented el 8 may. 2022 a las 18:07

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.