怎样对中文字符使用正则表达式 （--regex--）

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

最近写论文需要整理统计局发布的行政区域代码 regional_code.xls (278 KB)

2015-8-7 18:05:31 上传

行政区域代码

，因为从网页上copy 下来就是代码和地名混在一列，所以需要把代码和地名分开。导入stata后，整理数据，由于代码都是六位，所以用--substr-- 命令很容易就整理好了，但是当需要整理地名的时候，因为地名长度不一致，所以想到用stata内置的正则表达式 --regex-- --regexm--, 但是我发现，当我使用类似于 ([a-zA-Z]+)$ 这样的正则表达式的时候，返回的都是空值，gen county = regexs(0) if regexm(region, "([a-zA-Z]+)$")，我反反复复尝试了各种组合都是这个结果，这让我非常困惑，是否stata里面的正则表达式不适用于中文字符？

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏4 回帖

关键词：正则表达式 表达式 REG SUBSTR Region 破伤风 表达式 中文 论文

http://www.regular-expressions.info/unicode.html
我不知道stata具体算是什么flavor

1、你的excel数据的最后两个样本不是区域的代码和名称

2、
*截取代码
gen code    =substr(rawcode, 1,6)

*把rawcode中的code替换为空的
gen rawcode1=subinstr(rawcode, code,"",.)

*读取rawcode1数据中非数字和汉字的字符，生成变量x
gen x =regexs(0) if regexm(rawcode1,"([?]+)")

*把rawcode1数据中非数字和汉字的字符替换为空的
gen name=subinstr(rawcode1, x,"",.)

*保留代码和区域名称
keep code name

蓝色 发表于 2015-8-8 17:19
1、你的excel数据的最后两个样本不是区域的代码和名称

2、

请问大神，gen x =regexs(0) if regexm(rawcode1,"([?]+)") 这句命令好像生成的是空值，不是空格之类的，有别的办法找到非数字和汉字的字符吗？ 谢谢

caesarljs 发表于 2017-10-13 15:01
请问大神，gen x =regexs(0) if regexm(rawcode1,"([?]+)") 这句命令好像生成的是空值，不是空格之类的， ...

我这里执行没有问题

1. . import excel "D:\regional_code.xls",     sheet("Sheet1") firstrow
   
2. 
   
3. .
   
4. . *截取代码
   
5. . gen code    =substr(rawcode, 1,6)
   
6. 
   
7. .
   
8. . *把rawcode中的code替换为空的
   
9. . gen rawcode1=subinstr(rawcode, code,"",.)
   
10. 
    
11. .
    
12. . *读取rawcode1数据中非数字和汉字的字符，生成变量x
    
13. . gen x =regexs(0) if regexm(rawcode1,"([?]+)")
    
14. 
    
15. .
    
16. . *把rawcode1数据中非数字和汉字的字符替换为空的
    
17. . gen name=subinstr(rawcode1, x,"",.)
    
18. 
    
19. .
    
20. . *保留代码和区域名称
    
21. . keep code name
    
22. 
    
23. . list in 1/10
    
24. 
    
25.      +--------------------------+
    
26.      |   code              name |
    
27.      |--------------------------|
    
28.   1. | 110000          　北京市 |
    
29.   2. | 110100        　　市辖区 |
    
30.   3. | 110101      　　　东城区 |
    
31.   4. | 110102      　　　西城区 |
    
32.   5. | 110105      　　　朝阳区 |
    
33.      |--------------------------|
    
34.   6. | 110106      　　　丰台区 |
    
35.   7. | 110107    　　　石景山区 |
    
36.   8. | 110108      　　　海淀区 |
    
37.   9. | 110109    　　　门头沟区 |
    
38. 10. | 110111      　　　房山区 |
    
39.      +--------------------------+

复制代码

蓝色 发表于 2017-10-14 16:58
我这里执行没有问题

感谢大神的解答，是不是版本的问题，我用的是14.2。一会我在尝试一下试试  

蓝色 发表于 2017-10-14 16:58
我这里执行没有问题

另外，请教一下大神，有较好的stata正则表达式相关的学习资料吗？ 希望大神能推荐一下，感谢感谢

excel的快捷键ctrl+E很快填充，可以百度一下这个快捷键的用法

LWFISS 发表于 2021-7-3 13:30
excel的快捷键ctrl+E很快填充，可以百度一下这个快捷键的用法

几百万的样本