敲黑板，劃重點啦~今天是第三十二個教師節(jié)，讓我們先對所有在我們求學(xué)路上給予支持、幫助與鼓勵的老師說聲“教師節(jié)快樂，您辛苦了！”。
今天的推文我們來講一講字符串函數(shù)、正則表達式與變量拆分。我們在把數(shù)據(jù)導(dǎo)入stata中，有時會遇到本來應(yīng)該作為幾個分開的變量，在導(dǎo)入后都跑到了同一列的現(xiàn)象，這時候就需要把這個變量拆分成我們所需要的幾個變量。我們都知道在stata中有一個拆分命令split，這個命令的格式為：
split strvar [if] [in] [, options]
其中常用的options選項為parse(parse_strings)，例如要把下圖數(shù)據(jù)中的姓名拆分成firstname和lastname，則命令為：split name,p(“ ”)，即以空格把name拆分，然后進行重命名，rename (name1 name2) (firstname lastname)，即可得到我們想要的數(shù)據(jù)。
上述命令的使用前提是要有一個統(tǒng)一的分隔符號，例如逗號、空格、分號等特殊符號，那如果我們要拆分的數(shù)據(jù)中并沒有統(tǒng)一的分隔符號時我們又該怎么辦呢？在STATALIST上有人遇到下面這個問題：
我們想把這個數(shù)據(jù)變成包含subject_ID、Sex、Age、Race四個變量的形式，所以需要把SexAge_Race這個變量拆分成Sex、Age、Race三個變量。Race這個變量很好拆分，可以用”_”作為拆分依據(jù)，但是Sex和Age兩個變量之間是沒有分隔符號的，那該如何拆分呢？我們將采用兩種方法解決這個問題。
方法一：
在這一方法中，我們使用了substr和subinstr這兩個字符串的處理命令，substr使用格式為substr(s,n1,n2)，表示把字符串s中從第n1個字符開始的n2個字符提取出來。所以第一行命令表示把SexAge_Race變量的前6個字符提取出來賦給變量Sex，這樣FEMALE就被提取出來了，第二行命令表示把SexAge_Race變量的前4個字符提取出來，這樣MALE就被賦給了Sex，所以Sex變量被成功提取出來。接著我們又使用了subinstr命令，這個命令的使用格式為subinstr(s1,s2,s3,n)，表示把字符串s1中的n個子字符串“s2”用子字符串“s3”來替換，所以第三行命令表示把SexAge_RaceSex變量中Sex變量所表示的子字符串用''替代，即把全部FEMALE和MALE去掉，然后剩下的部分用split命令以”_”分開就可以了，最后重命名一下變量就得到了我們想要的數(shù)據(jù)。
在方法二中，我們主要使用了ustrregexm和ustrregexs這兩個字符串函數(shù)將正則表達式與字符串進行匹配以及字符串的提取與替換。
1、ustrregexm(s,re[,noc])：(u代表unicode，str代表string，即字符串，reg代表regular，ex代表expression，m代表match，即匹配)
“s”代表字符串，也可以是相應(yīng)的變量，”re”代表正則表達式，如果字符串中有正則表達式匹配到的內(nèi)容就賦值為1，否則賦值為0。noc這個部分可以填上一個數(shù)字，如果你定義了noc，并且是一個不為0的數(shù)字，那么在正則表達式和字符串匹配的時候是不區(qū)分大小寫的。
2、ustrregexs(n)：(s代表substring，即子字符串)
n為非負整數(shù)，代表ustrregexm(s,re)函數(shù)中第n個子表達式對應(yīng)的子字符串。若n為0，則代表引號中所有表達式對應(yīng)的子字符串。ustrregexs函數(shù)必須在ustrregexm函數(shù)運行之后才能運行，可用于提取子字符串。
除了這兩個字符串函數(shù)，這里還涉及到正則表達式中的元字符，小編已經(jīng)貼心地幫你們把正則表達式中的常用元字符整理出來啦：
所以，方法二的處理過程如下：
首先創(chuàng)建一個子表達式，其中”.”符號表示可以匹配任意字符，用*?表示懶惰匹配模式，\d匹配數(shù)字，也就是把最左端的數(shù)字前面所有的內(nèi)容，提取出來并賦給變量Sex。同理，提取變量Age時，\d匹配數(shù)字，+表示把前面的字符或子表達式匹配幾次或多次，同樣使用懶惰模式，匹配到最近一個小數(shù)點，點后面的?表示匹配一次或零次，小數(shù)點可能不存在，所以后面的數(shù)字也是匹配任意次，提取出來之后用real函數(shù)把Age變成數(shù)值型變量。最后是Race變量，'_(.*)'表示匹配并提取_后面的所有內(nèi)容。這樣，我們就把數(shù)據(jù)變成我們想要的形式了。
除此之外，還可以用一個正則表達式來進行提?。?/span>
我們這個正則表達式由三個子表達式構(gòu)成，每個子表達式分別對應(yīng)我們想要提取的三個變量，先用ustrregexm進行匹配后，再用ustrregexs分別把第一個，第二個，第三個變量提取出來，就得到我們要的三個變量。
在我們以前的公眾號上，有位師兄寫過幾篇推文詳細介紹字符串函數(shù)和正則表達式中的常用元字符，大家有興趣可以去看一下。
聯(lián)系客服
