Stata文本分析之-tex2col-命令-文字变表格

连享会主页 || 推文 || 知乎 || B 站 || 在线课堂

New！ 搜推文，找资料，用 lianxh 命令：
安装： ssc install lianxh, replace
使用： lianxh 合成控制
lianxh DID + 多期, w

作者： 刘聪聪 (中山大学)
邮箱： liucc3@mail2.sysu.edu.cn

tex2col 命令旨在将一个Stata单元格的内容分成不同的列，主要适用于从 PDF 文件中提取数据并以简单的方式管理。使用此命令可将选定的数据转换为表格，将文本拆分为不同的列。

该命令可以将以逗号、空格分隔的表格 (无法直接粘贴到 Excel 中) 转换成以 Tab 分隔的表格，同时采用 ignore("chars") 选项可达到去掉 %、千分位 等符号的效果。

1. tex2col 命令简介

1.1 下载和安装

使用如下命令可以自动下载 tex2col 命令：

ssc install tex2col, replace

1.2 帮助文件和语法格式

help tex2col  //Split Text into Columns

tex2col [if] [in] [,
               columns(#)
               data(string)
               cname(stub)
               rname(newvarname)
               dpcomma
               ignore("chars")]

各个选项的含义如下：

columns(#) Number of columns with data
data(string) Name of the variable that contains the data
cname(stub) Column names
rname(newvarname) Row name
dpcomma Convert data with commas as decimals to period-decimal format
ignore("chars") Remove specified non-numeric characters

2. Stata 范例

2.1 范例 1: 逗号分隔的文本文件 → 表格

clear
    input str60 (data)
        "Chaco Hamedo 16,6 25,1 21,5 881,5 58 73 66"
        "Chaco Seco 16,2 24,3 21,3 736,1 60 79 71"
        "Valles Centrales 14,7 18,3 16,9 721,4 50 74 62"
        "Valles del Sur 12,2 18,1 16 351,3 40 70 53"
    end

    tex2col, data(data) col(7) dpcomma  // dpcomma: 把逗号转换成句点
    list row col*, clean

结果如下：

. list row col*, clean 

                    row   col_1   col_2   col_3   col_4   col_5   col_6   col_7  
  1.       Chaco Hamedo    16.6    25.1    21.5   881.5      58      73      66  
  2.         Chaco Seco    16.2    24.3    21.3   736.1      60      79      71  
  3.   Valles Centrales    14.7    18.3    16.9   721.4      50      74      62  
  4.     Valles del Sur    12.2    18.1      16   351.3      40      70      53

注意事项：

使用 input str## 输入数据时，由于变量都是字符串类型，所以每一行观察值都要用半角双引号包围。
tex2col 命令中的 col(#) 选项是必填项，# 需要根据数据的列数自行指定。

2.2 范例 2: 空格分隔的文本文件 → 表格

clear
   input str60 (data)
       "Argentina 2011 18.7%"
       "Bolivia 2011 0.4%"
       "Brasil 2011 3.6%"
       "Chile 2011 1.7%"
       "Colombia 2011 5.2%"
       "Costa Rica 2010 8.0%"
       "Ecuador 2011 3.1%"
       "El Salvador 2010 0.3%"
       "Honduras 2011 3.0%"
       "Mexico 2010 3.1%"
       "Panam 2011 0.6%"
       "Paraguay 2010 0.9%"
       "Per 2011 24.1%"
       "Uruguay 2011 4.3%"
       "Venezuela 2011 10.3%"
   end

   tex2col, data(data) col(2) ignore(%)
   list, clean

结果如下：

. list, clean
               row   col_1   col_2                    data
  1.     Argentina    2011    18.7    Argentina 2011 18.7%
  2.       Bolivia    2011      .4       Bolivia 2011 0.4%
  3.        Brasil    2011     3.6        Brasil 2011 3.6%
  4.         Chile    2011     1.7         Chile 2011 1.7%
  5.      Colombia    2011     5.2      Colombia 2011 5.2%
  6.    Costa Rica    2010       8    Costa Rica 2010 8.0%
  7.       Ecuador    2011     3.1       Ecuador 2011 3.1%
  8.   El Salvador    2010      .3   El Salvador 2010 0.3%
  9.      Honduras    2011       3      Honduras 2011 3.0%
 10.        Mexico    2010     3.1        Mexico 2010 3.1%
 11.         Panam    2011      .6         Panam 2011 0.6%
 12.      Paraguay    2010      .9      Paraguay 2010 0.9%
 13.           Per    2011    24.1          Per 2011 24.1%
 14.       Uruguay    2011     4.3       Uruguay 2011 4.3%
 15.     Venezuela    2011    10.3    Venezuela 2011 10.3%

注意事项:

tex2col命令中的 ignore("chars") 选项是选填项，chars 根据数据的特征自行指定。

2.3 范例 33: 去掉千分位符号

clear
  input str200 (data)	
    "738 0.333 . . . . ."
    "738 0.802 0.802 4,527 0.708 5.33 0.000"
    "738 0.560 0.560 4,527 0.398 8.28 0.000"
    "738 0.420 0.420 4,527 0.114 22.16 0.000"
    "738 0.225 0.225 4,527 0.068 14.10 0.000"
    "738 0.234 0.234 4,527 0.101 10.44 0.000"
  end
  compress

  tex2col, data(data) col(7) cname(v) ignore(,)
  list row v*, clean noobs

结果如下:

. list row v*, clean noobs

row    v1     v2     v3     v4     v5      v6   v7  
      738   .333      .      .      .       .    .  
      738   .802   .802   4527   .708    5.33    0  
      738    .56    .56   4527   .398    8.28    0  
      738    .42    .42   4527   .114   22.16    0  
      738   .225   .225   4527   .068    14.1    0  
      738   .234   .234   4527   .101   10.44    0

注意事项:

tex2col 命令中的cname(stub)选项是选填项，定义拆分后的列名。
须保持原始数据中某一列数据类型一致，否则 tex2col 命令不能奏效。详细说明如下：

clear
  input str200 (data)	
    "738 0.333 . d . . ."
    "738 0.802 0.802 4,527 0.708 5.33 0.000"
    "738 0.560 0.560 4,527 0.398 8.28 0.000"
    "738 0.420 0.420 4,527 0.114 22.16 0.000"
    "738 0.225 0.225 4,527 0.068 14.10 0.000"
    "738 0.234 0.234 4,527 0.101 10.44 0.000"
  end
  compress

  tex2col, data(data) col(7) cname(v) ignore(,)
  
. list row v*, clean noobs

    row    v1     v2     v3      v4     v5      v6   v7  
          738   .333      .       d      .       .    .  
          738   .802   .802   4,527   .708    5.33    0  
          738    .56    .56   4,527   .398    8.28    0  
          738    .42    .42   4,527   .114   22.16    0  
          738   .225   .225   4,527   .068    14.1    0  
          738   .234   .234   4,527   .101   10.44    0

当将第一行、第四列的数据 . 改为 d ，这个时候第四列的数据类型就有字符型和数值型两种类型。而经过 tex2col 命令处理后，可以发现第四列的数据类型全部变成了字符型了。这也就说明，tex2col 在执行的时候会判断某一列的数据类型，如果这一列中有字符型，那么 ignore(#) 选项自然就失去作用了。

3. 其他文本分析命令

help screening // 文字变量的清理 , Stata Journal 10-3
help txttool // 文字变量的清理 , Stata Journal 14-4
help tex_equal // 多个文本的对比
help fren // 修改文件名称
help fdta // 替换文字变量的内容

4. 相关推文

Note：产生如下推文列表的 Stata 命令为：
. lianxh 文字+Stata
. lianxh 文本+Stata
安装最新版 lianxh 命令：
ssc install lianxh, replace

刘聪聪, 2020, Stata文本分析之-tex2col-命令-文字变表格, 连享会 No.328.
左祥太, 2023, Stata：计算文本语调-onetext, 连享会 No.1158.
游万海, 2020, Stata: 正则表达式和文本分析, 连享会 No.35.
赵汗青, 2021, Stata文本分析：lsemantica-潜在语义分析的文本相似性判别, 连享会 No.640.
初虹, 2022, Stata：fillmissing-缺失值填充-数值和文字的前后填充！, 连享会 No.1050.
连玉君, 2021, Stata安装路径中不要包含中文字符和空格：stacktrace not available错误信息, 连享会 No.511.
连玉君, 2021, Stata错误信息-stacktrace not available：安装路径中不要包含中文字符和空格, 连享会 No.539.
连玉君, 2020, Stata：文字型日期格式的转换, 连享会 No.390.
陈勇吏, 2020, 七条建议：用Stata处理文字变量和字符变量, 连享会 No.279.

[(https://www.lianxh.cn/details/1543.html)

资源共享

连享会资料 ……
在线视频：lianxh-class.cn
- Stata 33 讲，100 万+ 播放，Stata 入门必备，公开课
- 直击面板数据模型，10 万+ 播放，白话面板模型，公开课
- … more …
论文复现和数据
- 学术论文重现网站大全
- 常用数据库 | 人文社科开放数据库
主题分类
- 所有分类 | Stata教程 | 结果输出 | 绘图 | 数据处理
- 回归分析 | 面板数据 | 交乘项 | 因果推断 | DID | RDD
- Markdown | 工具软件 | 机器学习 | 其它
热门推文

尊敬的老师 / 亲爱的同学们：
连享会致力于不断优化和丰富课程内容，以确保每位学员都能获得最有价值的学习体验。为了更精准地满足您的学习需求，我们诚挚地邀请您参与到我们的课程规划中来。
请您在下面的问卷中，分享您 感兴趣的学习主题或您希望深入了解的知识领域 。您的每一条建议都是我们宝贵的资源，将直接影响到我们课程的改进和创新。
我们期待您的反馈，因为您的参与和支持是我们不断前进的动力。感谢您抽出宝贵时间，与我们共同塑造更加精彩的学习旅程！https://www.wjx.cn/vm/YgPfdsJ.aspx# 再次感谢大家宝贵的意见！

关于我们

Stata连享会 由中山大学连玉君老师团队创办，定期分享实证分析经验。more……
扫码加入连享会微信群，提问交流更方便