Stata：计算预定义长度的连续出现的次数 [英] Stata: Counting number of consecutive occurrences of a pre-defined length

问题描述

我的数据集中的观察数据包含每个球员的移动历史。我想计算一下在游戏的上半场和下半场，连续几步棋的长度(2步、3步和3步以上)。序列不能重叠，即序列1111应视为长度为4的序列，而不是长度为2的2个序列。也就是说，对于这样的观察：

+-------+-------+-------+-------+-------+-------+-------+-------+
| Move1 | Move2 | Move3 | Move4 | Move5 | Move6 | Move7 | Move8 |
+-------+-------+-------+-------+-------+-------+-------+-------+
|     1 |     1 |     1 |     1 | .     | .     |     1 |     1 |
+-------+-------+-------+-------+-------+-------+-------+-------+

…应生成以下变量：

Number of sequences of 2 in the first half =0 
Number of sequences of 2 in the second half =1
Number of sequences of 3 in the first half =0
Number of sequences of 3 in the second half =0
Number of sequences of >3 in the first half =1 
Number of sequences of >3 in the second half = 0

关于如何继续此任务，我有两种可能的选择，但这两种选择都不会导致最终解决方案：

选项1：详细说明Nick使用字符串的策略建议(Stata: Maximum number of consecutive occurrences of the same value across variables)，我连接了所有"Move*"变量，并尝试确定子字符串的起始位置：

egen test1 = concat(move*)
gen test2 = subinstr(test1,"11","X",.) // find all consecutive series of length 2

选项1有几个问题： (1)它不考虑序列重叠的情况("1111"被认为是2的2个序列) (2)它缩短了生成的字符串test2，因此X的位置不再对应于test1中的起始位置 (3)如果我需要检查长度大于3的序列，则不考虑可变长度的子串。

选项2：创建一个辅助变量集，以标识某个固定预定义长度的1的连续集合的起始位置。在前面的示例的基础上，为了计算长度为2的序列，我尝试获得的是一个辅助变量集，如果序列在给定的移动时开始，则等于1，否则等于0：

+-------+-------+-------+-------+-------+-------+-------+-------+
| Move1 | Move2 | Move3 | Move4 | Move5 | Move6 | Move7 | Move8 |
+-------+-------+-------+-------+-------+-------+-------+-------+
|     0 |     0 |     0 |     0 |     0 |     0 |     1 |     0 |
+-------+-------+-------+-------+-------+-------+-------+-------+

我的代码如下所示，但当我尝试重新开始计算连续出现的事件时，它崩溃了：

quietly forval i = 1/42 {
gen temprow`i' =.
egen rowsum = rownonmiss(seq1-seq`i') //count number of occurrences
replace temprow`i'=rowsum 
mvdecode seq1-seq`i',mv(1) if rowsum==2 
drop rowsum
}

有人知道解决这项任务的方法吗？

推荐答案

假设连接所有移动的字符串变量all(名称test1很难让人联想到)。

第一次尝试：按字面意思理解您的示例

从您的8步棋的例子来看，游戏的上半场是1-4步，下半场是5-8步。因此，对于每一半来说，只有一种方法有>3步，即有4步。在这种情况下，每个子字符串将"1111"，并且计数减少到测试一种可能性：

gen count_1_4 = substr(all, 1, 4) == "1111"
gen count_2_4 = substr(all, 5, 4) == "1111" 

扩展此方法，只有两种方法可以按顺序进行3个动作：

gen count_1_3 = inlist(substr(all, 1, 4), "111.", ".111")  
gen count_2_3 = inlist(substr(all, 5, 4), "111.", ".111")  

在类似的风格中，不能在游戏的每一半中有两个连续的2个移动的实例，因为这将符合4个移动的资格。因此，每半部分最多有一个2步连续移动的实例。该实例必须匹配"11."或".11"这两个模式中的任何一个。".11."是允许的，因此两者都包括。正如刚刚提到的，我们还必须排除任何与3个动作序列相匹配的错误。

gen count_1_2 = (strpos(substr(all, 1, 4), "11.") | strpos(substr(all, 1, 4), ".11") ) & !count_1_3 
gen count_2_2 = (strpos(substr(all, 5, 4), "11.") | strpos(substr(all, 5, 4), ".11") ) & !count_2_3 

如果找到匹配项，则每个strpos()评估的结果将为正，如果任一参数为正，则(arg1|arg2)将为真(1)。(对于Stata，非零在逻辑计算中为真。)

这在很大程度上是针对您的特定问题量身定做的，但也不会因此而变得更糟。

附注：我没有努力理解您的代码。您似乎混淆了subinstr()和strpos()。如果你想知道位置，subinstr()无能为力。

第二次尝试

您的最后一段代码暗示您的示例具有很大的误导性：如果可以有42个移动，则上面的方法无法毫无困难地扩展。你需要一种不同的方法。

假设字符串变量all可以是42个字符。我将搁置上半场和下半场之间的区别，这可以通过修改这种方法来解决。简单来说，只需将历史分为两个变量，一个用于前半部分，另一个用于后半部分，然后重复两次这种方法。

您可以通过以下方式克隆历史记录

  clonevar work = all 
  gen length1 = . 
  gen length2 = . 

并设置count变量。这里count_4将包含4个或更多的计数。

  gen count_4 = 0 
  gen count_3 = 0 
  gen count_2 = 0 

首先，我们寻找长度为42，...，2的移动序列。每次我们找到一个移动序列，我们就把它清空并增加计数。

  qui forval j = 42(-1)2 { 
       replace length1 = length(work) 
       local pattern : di _dup(`j') "1" 
       replace work = subinstr(work, "`pattern'", "", .) 
       replace length2 = length(work) 
       if `j' >= 4 {
            replace count4 = count4 + (length1 - length2) / `j' 
       }
       else if `j' == 3 { 
            replace count3 = count3 + (length1 - length2) / 3
       }
       else if `j' == 2 { 
            replace count2 = count2 + (length1 - length2) / 2 
       }
  }

这里的重要细节是

1. 如果我们删除一个模式(重复的实例)并测量长度的变化，我们就删除了该模式的(长度变化)/(模式的长度)实例。所以，如果我查找"11"，发现长度减少了4，我只找到了两个实例。

2. 向下工作，删除我们发现的内容，确保我们不会发现误报，例如，如果删除"1111111"，我们就不会发现后面包含的"111111"、"11111"、……、"11"。

3. 删除意味着我们应该在克隆上工作，以便不破坏感兴趣的内容。

这篇关于Stata：计算预定义长度的连续出现的次数的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！