Stata: 文本分析之 tex2col 命令-文字变表格
作者： 刘聪聪 (中山大学)
Stata 连享会： 知乎 | 简书 | 码云
连享会 最新专题 直播
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"
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连享会 最新专题 直播
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%"
tex2col, data(data) col(2) ignore(%)
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"
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"