CGSS数据清理：巧用重复命令

数据清洗时常需要反复运行一些命令，这样不仅耗费精力，而且容易出错，那么，如何避免一遍一遍地重复输入这些命令呢？本文以清洗CGSS数据地理信息为例，为大家简单介绍3种编写与运行命令的方法，希望能为大家所用。

CGSS数据关于调查对象的地理信息共有5个变量，他们分别是省/自治区/直辖市、地级市、县/区、乡/镇/街道、村/居委会，对应的变量名和变量标签如下图所示：



CGSS地理信息仅披露到省一级，对省以下级别则只进行编码，以区分开不同的调查点，未注明具体地点（这么处理的原因请见CGSS官网的相关说明）。下图所示为CGSS2013数据的地理信息：



由于CGSS数据每年地理信息的编码不统一，对于想依据地理信息做数据合并的用户来说，需求无法得到满足。有鉴于此，目前项目组决定要统一CGSS2010至CGSS2015数据中的地理信息编码，以确保这5年CGSS数据中的每一层级地理信息的每一个编码都对应唯一一个地点。

那么，该如何统一编码呢？

首先，以CGSS2015数据中的地理信息变量为标准，参照国家统计局发布的2015年统计用区划代码和城乡划分代码，整理出一套编码模板。编码模板共分为5个部分，分别针对省/自治区/直辖市、地级市、县/区、乡/镇/街道、村/居委会进行编码，模板命令长达1200多行。下图所示为变量s41省/自治区/直辖市的编码模板命令：



其次，将编码模板命令分别在CGSS2010至CGSS2015数据中运行匹配，这样，就可以将5年数据的地理信息编码统一起来。接着依据匹配结果不断修正更新编码模板，每更新一次编码模板，就要在5年数据中重新分别运行修改后的模板命令。

如果在do文件中重复编写模板命令，不仅麻烦，而且容易出错。这里为大家简单介绍3种编写与运行模板命令的方法：do文件、在do文件中使用program命令、ado文件。

方法一：do文件

do文件是一个文本文件，它的扩展名为“.do”，运行do文件时，Stata就会逐条运行do文件里的命令。Do的语法结构是：

   do filename [arguments] [,nostop]

我们可以将编码模板命令单独编写在一个do文件中，给该do文件命名为district，如果需要在CGSS2013数据中运行编码模板命令，直接运行do文件即可。如下图所示：



需要注意的是，district.do文件需要放在当前目录下，否则，需要在文件名前写出完整路径。

方法二：在do文件中使用program命令
还可以把重复命令编写为一个program程序。定义program非常简单，以program filename开始，以end结束。这里把编码模板命令定义为程序district，生成编码模板命令如下图所示：



但是还需要基于编码模板在5年数据中的运行匹配情况不断修改编码模板，因此，在重新运行district前，需要删除内存中的程序district。删除程序命令如下图所示：



打开Stata第一次运行程序district时，因尚未定义该程序，Stata无法删除程序district，会弹出错误提示，命令capture可以解决这个问题。通常把命令capture放在其他命令的前面，告诉Stata当运行其他命令时，无论该命令是否起作用，Stata都不报错，并且继续运行后面的命令。命令capture的语法结构为：

   capture [:] command

因此，将编码模板命令修改如下：



Stata处理program和do文件的方式相同，都是逐条运行其中的命令，但是运行程序的方式不同。运行do文件时需要在命令窗口输入“do filename”，运行program只需输入程序名称即可。运行程序district如下图所示：



方法三：ado文件
还可以将编码模板命令保存为一个ado文件。ado文件是以do文件形式编写program的扩展，它是自运行文件。保存方式非常简单，在do文件中编辑完模板命令后，在当前目录下，保存时选择扩展名.ado即可。只要在命令窗口直接输入文件名即可运行该文件。不过需要注意的是，ado文件的文件名必须和程序名保持一致。



以上内容只是我们基于CGSS数据清洗对Stata编写与运行命令方法的简单介绍，如果您想要了解更多内容，那就赶紧去看do、program和adofile的帮助文件吧。