Stata: 文本分析之 tex2col 命令-文字变表格

 

连享会专题

 

作者： 刘聪聪 (中山大学)

Stata 连享会： 知乎 | 简书 | 码云

 

• Stata连享会 精品专题 || 精彩推文
  点击此处-查看完整推文列表

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

下载和安装

使用如下命令可以自动下载 tex2col 命令：

ssc install tex2col, replace 

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

Example 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。

 

Example 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

结果如下：

.list               
     +-----------------------------------------------------+
     |         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。

 

Example 3: 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

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。

image.png

 

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

 

关于我们

• 【Stata 连享会(公众号：StataChina)】由中山大学连玉君老师团队创办，旨在定期与大家分享 Stata 应用的各种经验和技巧。
• 公众号推文同步发布于 CSDN-Stata连享会 、简书-Stata连享会 和 知乎-连玉君Stata专栏。可以在上述网站中搜索关键词Stata或Stata连享会后关注我们。
• 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。
• Stata连享会 精品专题 || 精彩推文

联系我们

• 欢迎赐稿： 欢迎将您的文章或笔记投稿至Stata连享会(公众号: StataChina)，我们会保留您的署名；录用稿件达五篇以上，即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
• 意见和资料： 欢迎您的宝贵意见，您也可以来信索取推文中提及的程序和数据。
• 招募英才： 欢迎加入我们的团队，一起学习 Stata。合作编辑或撰写稿件五篇以上，即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。
• 联系邮件： StataChina@163.com

往期精彩推文

• Stata连享会推文列表
• Stata连享会 精品专题 || 精彩推文

点击此处-查看完整推文列表

---

欢迎加入Stata连享会(公众号: StataChina)