最近研究需要构建突破式创新变量数据，感觉和之前分享过双元创新数据有异曲同工之处，因此在之前代码的基础上进行了大幅度修改完成了数据处理，现分享数据处理过程，以便与大家交流。【处理工具】：Python
【数据来源】：CNRDS创新专利研究 - 上市公司专利分类号信息 - 上市公司发明申请专利分类号
【时间范围】：1993-2023年 ，根据CNRDS官网更新
【结果数据内容】：列名依次为 股票代码、会计年度、突破式创新数量、突破式IPC种类、专利总数


【参考文献】：毕晓方;刘晟勇;傅绍正;邢晓辉.盈余平滑影响企业突破式创新吗——外部利益相关者评价的视角[J].会计研究,2022,(12):91-102.
【变量含义】：当企业申请的专利引证了过往没有出现过的专利分类，则表明企业在不熟悉的技术领域进行了实验和探索，新申请的专利创造了新知识，体现出高质量创新的突破性和创造性。即企业之前年份所获得的所有专利放入专利池，若t年专利A主分类号前三位（亦有文献认为将条件设置为 前四位）在企业[0,t-1]年份的专利池中从未出现过，则该专利记为突破式创新。
【数据处理方法】：
核心是针对每个企业构建一个专利池，之后每年的专利和专利池里面的分类号进行比较。其实该变量的构建方法和之前双元创新的方法类似（双元是和5年内比较），但是之前的帖子不是很详细，因此在此记录核心的步骤。


① 转化数据格式。由宽数据转化为长数据。
原始的数据格式如下图，一个格子中有很多专利，不方便我们处理，因此我们在这里要将所有的专利拿出来，即通过分隔符和长宽转化变为下面的格式。


②提取IPC分类号的前三位。

③计算突破式创新
建立一个多层循环


循环第一层，以"股票代码"为关键词分组，循环每组

•        对每组以”会计年度“为关键词进行排序，年份小的在前
  

•        循环第二层，按照会计年度的顺序进行循环
  

                     构建一个 list，以便存储ipc分类号
                     针对企业第一年的所有专利默认为突破式创新（这里也可以不处理第一年数据），并将企业该年所有专利放入list。针对其他年份，通过比较专利是否在list中，如果不在则计为突破式创新；结束后再将该年所有专利放入list。
由此得到结果


【备注】
①一些研究中使用了突破式IPC种类、专利总数，这个比较简单，不在赘述
②一些研究中会使用技术相似度（techproximity）
针对该数据，在长数据转化为宽数据之后以['股票代码','会计年份']为轴，再词将长数据转化为宽数据。如下图（该图为IPC分类号前四位）
即每一行数据变为['企业匹配唯一标识码','年份','A01的数量(ipc分类号前三位)','A02的数量(ipc分类号前三位)','A03的数量(ipc分类号前三位)','B01的数量(ipc分类号前三位)'------]，然后将所有的缺失值填补为0。做这一步的目的是，可以得到全部专利矩阵，如A公司有IPC分类号H11，但是C公司没有，做这一步可以是的C公司也有H11的记录，且数值为0。

之后通过numpy进行矩阵运算得到技术相似度指标。