Stata：产生数据唯一识别码的三种方式
作者：胡雨霄 (伦敦政经)
Stata 连享会：知乎 | 简书 | 码云 | CSDN
2019暑期Stata现场班 (连玉君+刘瑞明主讲)
Source: Three Ways to Create Unique Identifiers (Francis, 2012)(http://www.econometricsbysimulation.com/2012/09/three-ways-to-create-unique-identifiers.html)
假设要处理的数据包含 3 个代码变量，household_ID, city_ID, 以及 state_ID。这 3 个变量分别表示不同个体所在的家庭、城市以及州的代码。若将这 3 个代码变量视为一个组合，那么组合内不同的数字排列，则分别代表了不同的个体。
本推文将介绍如何在这种情况下，生成不同个体的唯一代码 （unique ID）。
1. 数据生成
首先设置 25,000 个观测值。
clearset obs 25000
假设变量 household_ID 的取值范围为 [1, 50]，变量
city_ID 的取值范围为 [1, 20]，变量 state_ID 的取值范围为 [1, 50]。
*随机生成gen household_ID = ceil(runiform()*50)gen city_ID = ceil(runiform()*20)gen state_ID = ceil(runiform()*50)
此外，生成变量 x1 x2 ，模拟在实际数据中我们感兴趣的变量 (variables of interest)。
*随机生成gen x1 = rnormal()gen x2 = rnormal()
数据结构如下所示。
. list household_ID city_ID state_ID x1 x2 in 1/10+-------------------------------------------------------+| househ~D city_ID state_ID x1 x2 ||-------------------------------------------------------|1. | 18 10 28 2.025588 -.1922264 |2. | 14 11 8 1.042631 -.0807038 |3. | 7 17 21 .2977124 .6150526 |4. | 2 4 28 -1.722132 -1.358765 |5. | 44 8 36 -.7291995 .0929139 ||-------------------------------------------------------|6. | 18 12 18 .8618261 .6687715 |7. | 4 4 29 -.239354 .6361541 |8. | 17 14 2 .516549 -.6399707 |9. | 28 15 19 -1.812016 -1.628398 |10. | 44 2 23 -1.015124 -.7855705 |+-------------------------------------------------------+
2. 创建唯一代码 (Unique ID) 的两种方式
2.1 用 egen 命令创建 Unique ID
创建 Unique ID 最简单的方法就是使用 egen 命令。
. egen ID = group(household_ID city_ID state_ID). list in 1/10+---------------------------------------+| househ~D state_ID city_ID ID ||---------------------------------------|1. | 18 28 10 6890 |2. | 14 8 11 5296 |3. | 7 21 17 2724 |4. | 2 28 4 469 |5. | 44 36 8 17091 ||---------------------------------------|6. | 18 18 12 6925 |7. | 4 29 4 1253 |8. | 17 2 14 6553 |9. | 28 19 15 10945 |10. | 44 23 2 16966 |+---------------------------------------+
通过 egen 命令创建的 Unique ID 变量 ID 的排序方式与 sort household_ID city_ID state_ID 命令的排序方式相同，如下所示。
. sort household_ID city_ID state_ID \\排序. list household_ID city_ID state_ID ID in 1/10+------------------------------------+| househ~D city_ID state_ID ID ||------------------------------------|1. | 1 1 2 1 |2. | 1 1 5 2 |3. | 1 1 7 3 |4. | 1 1 10 4 |5. | 1 1 10 4 ||------------------------------------|6. | 1 1 11 5 |7. | 1 1 15 6 |8. | 1 1 15 6 |9. | 1 1 20 7 |10. | 1 1 21 8 |+------------------------------------+
2.2 创建字符型 Unique ID
另一种创建 Unique ID 变量的方式是创建一个字符 (string) 变量。虽然这种方式相对复杂，但所产生的 Unique ID 变量也更直接，容易识别。
具体命令如下。
. gen ID3 = "H" + string(household_ID,"%2.0f" ) + "C" + string(city_ID) + "S" + string(state_ID). list household_ID city_ID state_ID ID3 in 1/10+-------------------------------------------+| househ~D city_ID state_ID ID3 ||-------------------------------------------|1. | 18 10 28 H18C10S28 |2. | 14 11 8 H14C11S8 |3. | 7 17 21 H7C17S21 |4. | 2 4 28 H2C4S28 |5. | 44 8 36 H44C8S36 ||-------------------------------------------|6. | 18 12 18 H18C12S18 |7. | 4 4 29 H4C4S29 |8. | 17 14 2 H17C14S2 |9. | 28 15 19 H28C15S19 |10. | 44 2 23 H44C2S23 |+-------------------------------------------+
3. 处理重复观测
由于数据中存在重复观测值，创建的唯一代码 (Unique ID) 其实也并不唯一。
当运行 sum ID 命令后，可以发现变量 ID 的最大取值为 19,757。这说明该样本一共包括 19,757 个不同的个体。duplicates report ID 的结果表明，在该数据集中，有 4,459 （19,757 - 15,298 = 4,459）个个体被重复观测了。在实证研究中，出现这一结果的原因可能是，不同变量的数据来源不同，从而导致有些个体被重复观测。
. sum IDVariable | Obs Mean Std. Dev. Min Max-------------+---------------------------------------------------------ID | 25,000 9890.821 5709.989 1 19757. duplicates report IDDuplicates in terms of ID--------------------------------------copies | observations surplus----------+---------------------------1 | 15298 02 | 7528 37643 | 1836 12244 | 312 2345 | 20 166 | 6 5--------------------------------------
此时，应当确定一个处理 x1 和 x2 的规则以确保每一个唯一代码 (Unique ID) 都唯一对应一个观测值。处理 x1 和 x2 的命令如下。
collapse (mean) mean_x1=x1 mean_x2=x2 (median) med_x1=x1 med_x2=x2, by(ID)
对于重复观测值，该命令运行后会生成新变量，保留每个 ID 重复观测值的平均值以及中位数。数据结构如下
. list in 1/10+----------------------------------------------------+| ID mean_x1 mean_x2 med_x1 med_x2 ||----------------------------------------------------|1. | 1 .1792767 .7344462 .1792767 .7344462 |2. | 2 1.093224 -.1823799 1.093224 -.1823799 |3. | 3 -.3094974 2.653506 -.3094974 2.653506 |4. | 4 .4993488 .8985389 .4993488 .8985389 |5. | 5 -.7429997 -.0464208 -.7429997 -.0464208 ||----------------------------------------------------|6. | 6 .4437077 -.5161228 .4437077 -.5161228 |7. | 7 -.7664803 1.15589 -.7664803 1.15589 |8. | 8 .59837 .1051743 .59837 .1051743 |9. | 9 .9568613 -.7659643 .9568613 -.7659643 |10. | 10 -.8682789 -1.468759 -.8682789 -1.468759 |+----------------------------------------------------+
此外，处理后，可以发现数据中已经不存在重复观测值了。
. duplicates report IDDuplicates in terms of ID--------------------------------------copies | observations surplus----------+---------------------------1 | 19757 0--------------------------------------
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： StataChina@163.com
往期精彩推文