sungmoo 发表于 2010-8-25 15:02

voodoo 发表于 2010-8-25 11:23 为B库的基金全称找到相应的基金代码

*设B库中所有基金都能在A库中找到对应的简称，且A库中各简称均有相应代码。

use B,clear
g g=1
ren fndnmefull fndnme
append using A
sort fndnme g
replace fndcd=fndcd[_n-1] if indexnot(fndnme[_n-1],fndnme)==0
keep if g==1
drop g

*所给的B库中有些基金在A库中找不到对应的简称。

voodoo 发表于 2010-8-25 16:18 还有剩下剩下81个没有匹配的基金中，有些也是有规律，如32家封闭式基金（比如全称“泰和证券投资基金”，其简称就是“基金泰和”），其它如“交银施罗德……”、“摩根士丹利华鑫……”等，这又该如何逐一系统实现？

voodoo 发表于 2010-8-26 00:38 再提醒大家一下，indexnot()对中文的处理有点问题（因为中文是双字节的嘛），如di indexnot("基金天华", "天元证券投资基金")结果竟然是0。

voodoo 发表于 2010-8-25 11:25 映射规则可能因数据库不同而有所差异，但我希望得到的是一个处理相似问题的整体思路和算法。

voodoo 发表于 2010-8-30 22:07
将我整合坛友sungmoo和ctx5518相关建议的解决方案贴出（看起来还真有点复杂，;-)），也希望高手批评指正。

// 整体思路：1. 找出匹配规则 → 2. Stata实现 → 3. 保存匹配／尚未匹配 → 4. 下一步循环…… → 最后的“手工”验证与处理

set more off

// 复制原始文件，以防止覆盖
copy A.dta _A.dta
copy B.dta _B.dta

capture program drop findrule
program findrule
        use A, clear
        merge 1:1 _n using B, nogen
        br
end

capture program drop statamatch
program statamatch
        args rule
        // 2. Stata实现
        use B, clear
        quietly levelsof new, local(strnew)

        tempfile b
        save `b'

        use A.dta, clear
        gen new = ""
        if `rule' == 1 {                // strict rule
                foreach x of local strnew {
                        replace new = "`x'" if strpos("`x'", fndnme)>0
                }
        }
        else if `rule' == 2 {                // slack rule
                foreach x of local strnew {
                        replace new = "`x'" if indexnot(fndnme, "`x'")==0 &         ///
                                strpos("`x'", substr(fndnme, -4, .))>0 & missing(new)
                }
        }

        merge m:1 new using `b'

        // 3. 保存匹配和尚未匹配
        preserve
        keep if _merge == 3
        keep fndcd fndnme fndnmefull
        append using matched
        save matched, replace
        
        restore, preserve
        keep if _merge == 2
        keep fndnmefull
        sort fndnmefull
        save B, replace
        
        restore
        keep if _merge == 1
        keep fndcd fndnme
        sort fndnme
        save A, replace
        
        // 4. 浏览
        use matched, clear
        br
end

copy _A.dta A.dta, replace
copy _B.dta B.dta, replace


* 0. 生成空白matched.dta
clear
save matched, replace emptyok

* 1. Loop #1
findrule

use B, clear
gen new = subinstr(fndnmefull, "证券投资基金", "", .)        // 去除"证券投资基金"字样
save B, replace

statamatch 1                // strict rule

* 2. Loop #2
findrule

use B, clear
gen new = "基金" + fndnmefull
save B, replace

statamatch 1                // 匹配封闭式基金，strict rule

* 3. Loop #3
findrule

use A, clear
drop if strmatch(fndnme, "基金*")        // 删除可能带来混淆的封闭式基金
save A, replace

use B, clear
gen new = subinstr(fndnmefull, "摩根士丹利华鑫", "大摩", .)                // "摩根士丹利华鑫" -> "大摩"
replace new = subinstr(new, "宝康", "华宝兴业宝康", .)
replace new = subinstr(new, "德盛", "国联安", .)
replace new = subinstr(new, "普天", "鹏华普天", .)
replace new = subinstr(new, "华泰柏瑞", "友邦华泰", .)
save B, replace

statamatch 2                // slack rule


* 4. manual handling
use B, clear
ren fndnmefull fndnme
append using A, gen(A)
sort fndnme
br
// 以下有些基金代码得借助google或百度等搜索工具
replace fndcd = "050001.OF" if fndnme == "博时价值增长证券投资基金"
replace fndcd = "020008.OF" if fndnme == "国泰金鹿保本增值混合证券投资基金"
replace fndcd = "020006.OF" if fndnme == "国泰金象保本增值混合证券投资基金"
replace fndcd = "150001.OF" if fndnme == "国投瑞银瑞福分级股票型证券投资基金"
replace fndcd = "519011.OF" if fndnme == "海富通精选证券投资基金"
replace fndcd = "040002.OF" if fndnme == "华安MSCI中国A股指数增强型证券投资基金"
replace fndcd = "240012.OF" if fndnme == "华宝兴业增强收益债券型证券投资基金"
// ...... ......

keep if A == 0
keep fndnme fndcd
ren fndnme fndnmefull
append using matched

sort fndnmefull fndnme
duplicates tag fndnmefull, gen(tag)
br if tag
drop tag
bysort fndnmefull (fndnme): keep if _n == _N

duplicates tag fndcd, gen(tag)
br if tag
// 相应处理 ......

save matched, replace

use matched, clear
merge 1:1 fndnmefull using _B, nogen assert(matched)

// DONE!

voodoo 发表于 2010-8-26 00:38
再提醒大家一下，indexnot()对中文的处理有点问题（因为中文是双字节的嘛），如
di indexnot("基金天华",  ...

sungmoo 发表于 2010-8-26 06:31
*如果考虑全字段匹配（简称是全称的一个连续子字段），可考虑使用

replace fndcd=fndcd[_n-1] if su ...