【stata笔记】从规律混乱的字符串中提取某个类别的字符（以CGSS2010的地区变量为例）

问题

使用CGSS2010重复某文章中的定量研究，中需要因变量“区县人均收入”。
如何在CGSS2010中为所有样本生成一个格式一的“所在区县”信息？
CGSS2010中包含区县信息的变量为S42。tab s42 发现，其中填写方式混乱， 在是否包含市级信息，是否包含“市”、“区”、县”等字样、是否包含空格等方面 存在大量不一致，无法采用统一的标记及顺序行提取。

目标

尽量避免缺失值地生成区县变量，内容为不包含地区行政级别的区县名称，一 般是2个字，也可能是1或3个字。

分析过程

使用tab查看当前填写方式形成的所有分类；

规律

1、按照标记可以分为四种类型：①含“市”且含“区/县”，②含“市”不含“区/县”，
③不含“市”但含“区/县”，④不含“市”不含“区/县”四种情况；
2、存在同时包含两个“市”字符的数据，统一认定为县级市，计划保留后一个 市的信息；
3、需要清除的符号有空格和加号“十”；

计划

基本思路

1.清除多余的空格及加号
replace
subinstr()
2.去掉市级信息，只保留县级信息
generate
replace
strpos()
usubstr()
length()
（1）带标记的：从“市”所在的顺位开始提取到最后一个字符

（2）不带标记的：观察构成，寻找其他规律，比如相同字数的值是否可以取倒数几位
3.去除末尾的“市”、“区”、“县”、“左旗”、“县级市” 等字样
4. 2~3之前可以将各记号所在顺位、字符串长度生成为工具变量，方便书写的减省

代码

use "D:\Privacy of Wal\graduate crriculum\stata\about CGSS\CGSS2010-15.dta" 
		*从s42中提取出区县名（不含区县二字）并存放到新变量
		tab s42 //分类统计查看取值及其分布
		*统一格式和生成工具值	
		replace s42=subinstr(s42," ","",.) //去除S42取值中的空格
		replace s42=subinstr(s42," ","",.) //去除S42取值中的空格
		gen shipos=(strpos(s42,"市")+2)/3 if strpos(s42,"市")!=0 //找到第一个“市”的位置
		gen quxianpos=(strpos(s42,"县")+2)/3 if strpos(s42,"县")!=0
		replace quxianpos=(strpos(s42,"区")+2)/3 if strpos(s42,"区")!=0 //找到“区”或“县”的位置
		gen chang=length(s42)/3 //计算字符串总长度
		
		*去掉市级信息
		***先处理所有中间不含“市”字样的字符串(每次执行后使用tab检查当前各类计数)
		gen quxian=s42 if shipos==. & quxianpos!=. //获取不含“市”字样的字符串
		replace quxian=usubstr(quxian,-3,.) if length(quxian)/3==5 | length(quxian)/3==6 | length(quxian)/3==7 //5、6、7字符的为不含“市”字样但有市级信息

		***处理所有中间含“市”字样的字符串
		replace quxian= usubstr(s42,shipos+1,chang-shipos+1) if length(quxian)==0

		***处理余下2129个字符串(tab s42 length(quxian)==0)
		******2个字符的（. tab s42 if length(quxian)==0 & length(s42)/3==2)
		replace quxian=s42 if length(quxian)==0 & chang==2
		******3个字符的（. tab s42 if length(quxian)==0 & length(s42)/3==3）
		replace quxian=usubstr(s42,-3,2) if length(quxian)==0 & chang==3 //该类内容均为“XX市”，当作县级市处理
		******4个字符的（. tab s42 if length(quxian)==0 & length(s42)/3==4）
		replace quxian=s42 if s42=="哈尔滨市" | s42=="连云港市" //少数特殊情况
		replace quxian=usubstr(s42,-2,2) if length(quxian)==0 & chang==4
		******5个及以上字符的（. tab s42 if length(quxian)==0 & length(s42)/3>=5）//没有规律
		replace quxian="道外" if strpos(s42,"道外")!=0
		replace quxian="土默特" if strpos(s42,"土默特")!=0
		replace quxian="奉化" if strpos(s42,"奉化")!=0
		replace quxian="丰城" if strpos(s42,"丰城")!=0
		replace quxian="洪江" if strpos(s42,"洪江")!=0
		replace quxian="莱州" if strpos(s42,"莱州")!=0
		replace quxian="老河口" if strpos(s42,"老河口")!=0
		replace quxian="宜君" if strpos(s42,"宜君")!=0
		replace quxian="克山" if strpos(s42,"克山")!=0

		*取消末尾的“市”、“区”、“县”、“左旗”、“县级市” ，修改其他不规律值
		replace quxian=subinstr(quxian,"县级市","",.) if strpos(quxian,"县级市")!=0
		replace quxian=subinstr(quxian,"市","",.) if strpos(quxian,"市")!=0
		replace quxian=subinstr(quxian,"区","",.) if strpos(quxian,"区")!=0
		replace quxian=subinstr(quxian,"县","",.) if strpos(quxian,"县")!=0
		replace quxian=subinstr(quxian,"左旗","",.) if strpos(quxian,"旗")!=0 //去掉区县旗等多余字样
		replace quxian="浦东" if strpos(s42,"浦东")!=0 
		replace quxian="歙" if strpos(s42,"歙")!=0 //最后两种不规律字符串

注意事项

stata中每一个汉字占3位

例. length(“呼和浩特”)==12

length()，strpos()得到的结果是目标字符在字符串中处于第几位。

例. strpos(“北京市东城区”,“市”)==7

使用usubstr(）从后向前取字符

取最后3位 usubstr(“ABCDEF”,-3,.)==“DEF”

从倒数x位向后取y位 usubstr(“ABCDEF”,-4,2)==“CDE”