温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。
作者:王美庭 (中南民族大学经济学院)
目录
本文的目的: 当 Stata 官方提供的
unicode *
命令组和 连老师提供的ua
命令执行完后仍然存在乱码时,可以试试本文的解决方案。本文的主要代码来自于「爬虫俱乐部 精通Stata之数据整理」,在其基础上进行了一些改进 (详情参见本文第三部分),主要包括两个方面:其一,可以对「数字-文字对应表」中的中文乱码进行自动转码。其二,支持批量多文件(夹)转码。
时至今日,Stata 已经进入 16 时代代,各项功能日益完善。然而,对于广大中文老用户而言,仍然存在一个历史性问题——转码。
这一切来源于 Stata 14 跨时代地全面启用了适用性更广的 UTF-8 编码格式,从而保证我们的 dofile,.dta, .hlp 等文件中可以支持各种语言和字符,非英语用户再也不用一定使用英语字母作为变量名了。
历史遗留问题在于,对于国内用户,使用 Stata 13 及早期版本保存的 do 文件和 .dta 文件一般为 gb2312 或 gbk 或 gb18030 编码,而 Stata 14 及高级版本采用的是 UTF-8 编码。就像英文单词 he
,在英语里的意思是他、男性,男子;雄性动物
,而在汉语拼音中,可能被认为是和、何、禾
等,所以同样的文字,在不同的编码下,将有不同的含义。于是,国内用户早期版本 Stata 保存下来的 do 文件和 .dta 文件在高级版本 Stata 下那些非英文字符出现乱码也是自然而然的事。
Stata 官方和用户们都给出了一些解决方案。比如,针对国内用户,官方提供了 unicode encoding set gb18030
和 unicode translate *
命令组,以便实现转码 (从编码 gb18030 转码至 UTF-8 ) 命令,以及连玉君老师编写的 ua
命令对其的扩展(这里要注意的是,由于 gb18030 编码包含 gbk ,而 gbk 又包括 gb2312,所以针对国内用户,转码前设置编码 gb18030 即可)。
然而,当文件中包含了不可转换字符,则会导致以上命令无法奏效。当然,我们也可以加上 invalid
选项以保证上述命令被强制执行,但这样很可能会导致数据的部分位置被修改(而我们又不知道哪里被修改了),从而对后期的数据分析产生影响。
对于以上问题,在这里我们是怎么处理的呢?
对于 do 文件,处理还是比较简单的,我们在后期版本中打开时软件会自动提示选择何种编码打开,此时我们国内一般选择 gb18030 即可。本文重点在于解决 .dta 文件的转码。我们知道,.dta 文件的乱码一般会出现在数据标签、变量名、变量内容、变量标签、值标签。因此,对于每一个 .dta 文件,我们只需对这些部分利用相关的转码函数进行转码即可。这里看似与官方命令重复了,其实重要区别是如果 .dta 存在不可转换的字符,利用本文的做法,你就能发现不可转换的字符存在何处,然后通过本身对于数据的现有信息,手动更正即可(而对于官方命令,你不知道这里无法转换的字符在何处)。
我们最终的目的在于对于当前文件夹、子文件夹、子子文件夹中的所有 .dta 文件进行转码(由 gb18030 转至 UTF-8 ),如果刚开始就按照这个思维去写程序,这是比较困难的。我们先从单个文件入手,再进入单个文件夹,最后再对三层嵌套文件夹进行操作。
连享会计量方法专题……
这里的目的在于将单个 .dta 文件由 gb18030 编码转换至 UTF-8 编码。前面已经说过,.dta 文件可能出现乱码的地方有:数据标签、变量名、变量内容、变量标签、值标签。因此我们用 Stata 对这些可能出现乱码的地方依次进行转码,最后再将转码后的数据替换原来的数据,以防万一,以下程序还备份了原来的 .dta 文件。
具体的注意事项如下:
unicode translate *
)无法转换的字符,需要加 invalid
选项才能继续运行命令,但这样将造成数据被更改和丢失。而在这里,运行以下程序后数据本身并没有发生变化(只是编码发生了变化),而且我们还能定位到发生乱码的具体位置,接着我们只需要根据数据本身的信息(如调查问卷的阐述)对其中存在的少量的乱码进行手动修改即可,以保证数据的原始性。*---------------------------用户修改部分---------------------------------------
cd "D:\stata15\ado\personal\Net_course\"
local dta_file "gdpChina.dta"
*----------------------------无需变更部分--------------------------------------
use `dta_file', clear
*将原dta文件备份至"backup files"文件夹中
cap mkdir "backup files"
copy `dta_file' "backup files\", replace
*对数据标签进行转码
local data_lbl: data label
local data_lbl = ustrfrom("`data_lbl'", "gb18030", 1)
label data "`data_lbl'"
*对变量名、变量标签、字符型变量取值转码
foreach v of varlist _all {
* 对字符型变量取值进行转码
local type: type `v' //将变量的类型放入宏type中
if strpos("`type'", "str") {
replace `v' = ustrfrom(`v', "gb18030", 1) //如果变量是字符型变量,使用ustrfrom()函数进行转码
}
* 对变量标签进行转码
local lbl: var label `v' //将变量的标签放入宏lbl中
local lbl = ustrfrom("`lbl'", "gb18030", 1) //使用ustrfrom()函数对`lbl'转码
label var `v' `"`lbl'"' //将转码后的字符串作为变量的标签
* 对变量名进行转码
local newname = ustrfrom(`"`v'"', "gb18030", 1) //使用ustrfrom()函数将变量名字符串进行转码
qui rename `v' `newname' //将转码后的字符串重命名为变量名
}
*下面对数值标签进行转码
qui label save using label.do, replace //将数值标签的程序保存到label.do中(如果原来dta数据是gb18030编码,则这里导出的do文件也是gb18030编码)
preserve //将do文件的内容用txt的方式导入一个变量之中
qui import delimited using label.do, ///
varnames(nonames) delimiters("asf:d5f14d5d",asstring) encoding(gb18030) clear
qui describe
if r(N) == 0 {
restore
save `dta_file', replace
}
else {
qui levelsof v1, local(v1_lev)
restore
foreach label_modify of local v1_lev { //这个的foreach与前面的local(v_lev)对应,细节可查看帮助文件
`label_modify' //依次对原数据执行值标签替换操作
}
save `dta_file', replace //将转码好的dta文件替换原来的dta文件
}
* 删除中间临时文件
erase label.do
这里的目的在于,将单个文件夹的所有 .dta 文件由 gb18030 编码转换至 UTF-8 编码。
具体的注意事项同 2.1 节一样。
*------------------------用户修改部分--------------------------------
// cd "D:\stata15\ado\personal\Net_course"
*-------------------------无需变更部分--------------------------------
local dir_dta: dir . files "*.dta", respectcase //windows系统需要加respectcase选项以区分大小写
cap mkdir "backup files" //建立备份文件夹
foreach dta_file of local dir_dta {
qui copy `dta_file' "backup files\", replace //将当前文件夹的dta数据备份至"backup files"文件夹中
qui use `dta_file', clear
*对数据标签进行转码
local data_lbl: data label
local data_lbl = ustrfrom("`data_lbl'", "gb18030", 1)
label data "`data_lbl'"
*对变量名、变量标签、字符型变量取值转码
foreach v of varlist _all {
* 对字符型变量取值进行转码
local type: type `v' //将变量的类型放入宏type中
if strpos("`type'", "str") {
replace `v' = ustrfrom(`v', "gb18030", 1) //如果变量是字符型变量,使用ustrfrom()函数进行转码
}
* 对变量标签进行转码
local lbl: var label `v' //将变量的标签放入宏lbl中
local lbl = ustrfrom("`lbl'", "gb18030", 1) //使用ustrfrom()函数对`lbl'转码
label var `v' `"`lbl'"' //将转码后的字符串作为变量的标签
* 对变量名进行转码
local newname = ustrfrom(`"`v'"', "gb18030", 1) //使用ustrfrom()函数将变量名字符串进行转码
qui rename `v' `newname' //将转码后的字符串重命名为变量名
}
*下面对数值标签进行转码
qui label save using label.do, replace //将数值标签的程序保存到label.do中
preserve
*- 将do文件的内容用txt的方式导入一个变量之中,然后再对该变量进行拉直
qui import delimited using label.do, ///
varnames(nonames) delimiters("asf:d5f15g4dsf9qw8d4d5d",asstring) encoding(gb18030) clear
qui describe
if r(N) == 0 {
restore
save `dta_file', replace
}
else {
qui levelsof v1, local(v1_lev)
restore
foreach label_modify of local v1_lev { //这个的foreach与前面的local(v_lev)对应,细节可查看帮助文件
`label_modify' //依次对原数据执行值标签替换操作
}
save `dta_file', replace //将转码好的dta文件替换原来的dta文件
}
* 删除中间临时文件
erase label.do
}
这里的目的在于,将当前文件夹、所有子文件夹、以及所有子子文件夹下的所有 .dta 文件由 gb18030 编码转换至 UTF-8 编码。
具体的注意事项除了 2.1 节的以外,其他的还有:
*------------------------用户修改部分--------------------------------
cd "D:\stata15\ado\personal\Net_course"
*-------------------------无需变更部分--------------------------------
*将当前文件夹下的所有dta文件进行转码(第一层)
do "D:\转码_单个文件夹.do"
*将当前子文件夹下的所有dta文件进行转码(第二层)
local dir_list : dir . dirs "*", respectcase
foreach subdir of local dir_list {
if "`subdir'" == "backup files" {
continue //保留备份的原文件不动
}
cd "`subdir'"
do "D:\转码_单个文件夹.do"
*将当前子子文件夹下的所有dta文件进行转码(第三层)
local dir_list2 : dir . dirs "*", respectcase
foreach subdir2 of local dir_list2 {
if "`subdir2'" == "backup files" {
continue //保留备份的原文件不动
}
cd "`subdir2'"
do "D:\转码_单个文件夹.do"
qui cd ..
}
qui cd ..
}
这里先表示一下谢意,文中引用了部分代码却没有做一个说明。同时在这里也先感谢原作者(爬虫俱乐部),正是你们的代码,给了本文以灵感。
下面进入正题:以上程序中部分代码借鉴了 「爬虫俱乐部-精通Stata之数据整理」 腾讯课程。这里将其原代码列示如下:
* 构造数据
clear
cd "E:\直播课程\转码\ustrfrom"
set obs 2
gen _变量1 = "爬虫俱乐部" in 1
replace _变量1 = "将爬虫进行到底" in 2 //变量名与字符型变量的取值
gen v = _n
label var v "标签变量" //变量标签
label define vlab 1 "是" 2 "否" //值标签
label values v vlab
* 构造的数据中,变量名、字符型变量的取值、变量标签、值标签中都出现了中文,保存成gb18030编码后,都会成为乱码
saveascii 转码.dta, replace encoding(gb18030) version(13)
* 转码
use 转码.dta, clear
foreach v of varlist _all {
* 对字符型变量取值进行转码
local type: type `v' //将变量的类型放入宏type中
if index("`type'", "str") {
replace `v' = ustrfrom(`v', "gb18030", 1) //如果变量是字符型变量,使用ustrfrom()函数进行转码
}
* 对变量标签进行转码
local lbl: var label `v' //将变量的标签放入宏lbl中
local lbl = ustrfrom("`lbl'", "gb18030", 1) //使用ustrfrom()函数对`lbl'转码
label var `v' `"`lbl'"' //将转码后的字符串作为变量的标签
* 对变量名进行转码
local newname = ustrfrom(`"`v'"', "gb18030", 1) //使用ustrfrom()函数将变量名字符串进行转码
rename `v' `newname' //将转码后的字符串重命名为变量名
}
* 变量名、变量标签、字符型变量的取值都转码完成,乱码还剩下数值标签
label save using label.do, replace //将数值标签的程序保存到label.do中
*****将label.do打开,将程序复制过来*****
label define vlab 1 `"是"', modify
label define vlab 2 `"否"', modify
********这段程序将对数值标签转码********
****************转码完成****************
对于以上代码,本文的改进之处如下:
label data "xxx"
) 也可能存在乱码,在使用一份数据之前,能够提前知道其大致的内容是很重要的,而 数据标签 就起着这样的功能。import delimited
导入,再通过一系列的判断语句和循环语句,真正实现自动化一次性转码完成。以上三部分代码的Stata do文件如下:
连享会-直播课 上线了!
http://lianxh.duanshu.com
免费公开课:
直击面板数据模型 - 连玉君,时长:1小时40分钟 Stata 33 讲 - 连玉君, 每讲 15 分钟. 部分直播课 课程资料下载 (PPT,dofiles等)
支持回看,所有课程可以随时购买观看。
专题 | 嘉宾 | 直播/回看视频 |
---|---|---|
⭐ 最新专题 ⭐ | DSGE, 因果推断, 空间计量等 | |
⭕ Stata数据清洗 | 游万海 | 直播, 2 小时,已上线 |
研究设计 | 连玉君 | 我的特斯拉-实证研究设计,-幻灯片- |
面板模型 | 连玉君 | 动态面板模型,-幻灯片- |
面板模型 | 连玉君 | 直击面板数据模型 [免费公开课,2小时] |
Note: 部分课程的资料,PPT 等可以前往 连享会-直播课 主页查看,下载。
关于我们
课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法
等
连享会小程序:扫一扫,看推文,看视频……
扫码加入连享会微信群,提问交流更方便
✏ 连享会学习群-常见问题解答汇总:
✨ https://gitee.com/arlionn/WD