Stata 正则表达式筛选：提取数字并处理 '万' 和逗号

在 Stata 中，可以使用 regexm() 函数和正则表达式来筛选数据并提取特定信息。以下是如何使用正则表达式将 '8万' 识别为 '8' 以及将 '1,000万' 识别为 '1,000' 的示例：

clear

input str20 value
'8万'
'1,000万'
end

gen number = regexm(value, '([0-9,]+)万', 1)
replace number = regexs(0) if missing(number)
replace number = subinstr(number, ',', '', .) // 去除逗号

list

代码解释：

1. 创建示例数据: 首先，我们创建一个名为 value 的字符串变量，其中包含 '8万' 和 '1,000万' 两个值。
2. 使用 regexm() 提取数字: 使用 regexm(value, '([0-9,]+)万', 1) 函数，我们可以提取 '万' 字符前的数字部分，包括逗号。正则表达式 '([0-9,]+)万' 会匹配包含数字和逗号的字符串，并以 '万' 结尾。regexm() 函数的第三个参数 '1' 表示返回第一个匹配的子字符串。
3. 处理缺失值: 如果 regexm() 函数没有找到匹配项，则 number 变量会被设置为缺失值。我们使用 replace number = regexs(0) if missing(number) 将缺失值替换为空字符串，以便后续处理。
4. 去除逗号: 最后，我们使用 subinstr() 函数将 number 变量中的逗号替换为空字符串，得到最终的数字结果。

输出结果：

     +-------------+
     |    value   number |
     |-------------|
  1. |       8万        8 |
  2. | 1,000万    1,000 |
     +-------------+

通过以上步骤，我们成功地将 '8万' 识别为 '8'，将 '1,000万' 识别为 '1,000'。