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

python 爬虫与文本分析专题-现场班

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：

1. ssc install tex2col, replace

帮助文件和语法格式

1. help tex2col //Split Text into Columns

2. tex2col [if] [in] [,

3. columns(#)

4. data(string)

5. cname(stub)

6. rname(newvarname)

7. dpcomma

8. ignore("chars")]

各个选项的含义如下：

选项	解释
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

1. clear

2. input str60 (data)

3. "Chaco Hamedo 16,6 25,1 21,5 881,5 58 73 66"

4. "Chaco Seco 16,2 24,3 21,3 736,1 60 79 71"

5. "Valles Centrales 14,7 18,3 16,9 721,4 50 74 62"

6. "Valles del Sur 12,2 18,1 16 351,3 40 70 53"

7. end

8. tex2col, data(data) col(7) dpcomma // dpcomma: 把逗号转换成句点

9. list row col*, clean

结果如下：

1. . list row col*, clean

2. row col_1 col_2 col_3 col_4 col_5 col_6 col_7

3. 1. Chaco Hamedo 16.6 25.1 21.5 881.5 58 73 66

4. 2. Chaco Seco 16.2 24.3 21.3 736.1 60 79 71

5. 3. Valles Centrales 14.7 18.3 16.9 721.4 50 74 62

6. 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

1. clear

2. input str60 (data)

3. "Argentina 2011 18.7%"

4. "Bolivia 2011 0.4%"

5. "Brasil 2011 3.6%"

6. "Chile 2011 1.7%"

7. "Colombia 2011 5.2%"

8. "Costa Rica 2010 8.0%"

9. "Ecuador 2011 3.1%"

10. "El Salvador 2010 0.3%"

11. "Honduras 2011 3.0%"

12. "Mexico 2010 3.1%"

13. "Panam 2011 0.6%"

14. "Paraguay 2010 0.9%"

15. "Per 2011 24.1%"

16. "Uruguay 2011 4.3%"

17. "Venezuela 2011 10.3%"

18. end

19. tex2col, data(data) col(2) ignore(%)

20. list

结果如下：

1. .list

2. +-----------------------------------------------------+

3. | row col_1 col_2 data |

4. |-----------------------------------------------------|

5. 1. | Argentina 2011 18.7 Argentina 2011 18.7% |

6. 2. | Bolivia 2011 .4 Bolivia 2011 0.4% |

7. 3. | Brasil 2011 3.6 Brasil 2011 3.6% |

8. 4. | Chile 2011 1.7 Chile 2011 1.7% |

9. 5. | Colombia 2011 5.2 Colombia 2011 5.2% |

10. |-----------------------------------------------------|

11. 6. | Costa Rica 2010 8 Costa Rica 2010 8.0% |

12. 7. | Ecuador 2011 3.1 Ecuador 2011 3.1% |

13. 8. | El Salvador 2010 .3 El Salvador 2010 0.3% |

14. 9. | Honduras 2011 3 Honduras 2011 3.0% |

15. 10. | Mexico 2010 3.1 Mexico 2010 3.1% |

16. |-----------------------------------------------------|

17. 11. | Panam 2011 .6 Panam 2011 0.6% |

18. 12. | Paraguay 2010 .9 Paraguay 2010 0.9% |

19. 13. | Per 2011 24.1 Per 2011 24.1% |

20. 14. | Uruguay 2011 4.3 Uruguay 2011 4.3% |

21. 15. | Venezuela 2011 10.3 Venezuela 2011 10.3% |

22. +-----------------------------------------------------+

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

1. clear

2. input str200 (data)

3. "738 0.333 . . . . ."

4. "738 0.802 0.802 4,527 0.708 5.33 0.000"

5. "738 0.560 0.560 4,527 0.398 8.28 0.000"

6. "738 0.420 0.420 4,527 0.114 22.16 0.000"

7. "738 0.225 0.225 4,527 0.068 14.10 0.000"

8. "738 0.234 0.234 4,527 0.101 10.44 0.000"

9. end

10. compress

11. tex2col, data(data) col(7) cname(v) ignore(,)

12. list row v*, clean noobs

结果如下:

1. list row v*, clean noobs

2. row v1 v2 v3 v4 v5 v6 v7

3. 738 .333 . . . . .

4. 738 .802 .802 4527 .708 5.33 0

5. 738 .56 .56 4527 .398 8.28 0

6. 738 .42 .42 4527 .114 22.16 0

7. 738 .225 .225 4527 .068 14.1 0

8. 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：

1. clear

2. input str200 (data)

3. "738 0.333 . d . . ."

4. "738 0.802 0.802 4,527 0.708 5.33 0.000"

5. "738 0.560 0.560 4,527 0.398 8.28 0.000"

6. "738 0.420 0.420 4,527 0.114 22.16 0.000"

7. "738 0.225 0.225 4,527 0.068 14.10 0.000"

8. "738 0.234 0.234 4,527 0.101 10.44 0.000"

9. end

10. compress

11. tex2col, data(data) col(7) cname(v) ignore(,)

12. 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 精彩推文1  || 精彩推文2

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： [e-mail]

往期精彩推文

---

欢迎加入Stata连享会(公众号: StataChina)