stata命令详解-函数regexm/regexr/regexs

1. 前言

在目前工作中，用stata清洗及分析数据，感觉很顺滑。无奈不少同学因为help文件里的英文望而却步。

带着学习和分享的目的，根据工作经验，给大家整理一些常用以及不太常用但很有用的命令，并对该命令的help文件进行有侧重的详解。

2. 描述

regexm(s,re)：字符串函数。字符串匹配函数。当字符串s符合正则表达式re时，返回1，否则返回0.

regexr(s1,re,s2)：字符串函数。字符串替换函数。将符合正则表达式re的字符串s1中的第一个子字符串替换未字符串s2，并返回替换后的结果字符串。

• 当字符串s1中不包括符合正则表达式re的子字符串时，返回字符串s1。

regexs(n)：字符串函数。与regexr结合使用。返回regexm(s,re)第n个子表达式对应的子字符串。如果n=0，则表示返回所有符合正则表达式的字符串。

3. 参数

• regexm(s,re)：

s：ASCII码的字符串

re：正则表达式

• regexr(s1,re,s2)：

s1：ASCII码的字符串

re：正则表达式

s2：ASCII码的字符串

• regexs(n)：

n：取值范围：0 ≤ n < 10

4. 举例

*调入自带数据auto
sysuse auto
*列出变量make中以B字母开头的数据
generate bbegin = regexm(make, "^B")
list make if bbegin == 1
*同上
list make if regexm(make, "^B") == 1

bbegin.png

*列出变量中包含ck字符串的数据
list make if regexm(make, "ck") == 1

ck.png

*列出变量make中以数字结尾的数据
list make if regexm(make, "[0-9]$") == 1

digit.png

*生成新变量make2（通过复制变量make）
generate make2 = make
*将变量make2中以B字母开头，3个数字+小写字母结尾的数据替换成found
replace make2 = regexr(make2, "^B.*[0-9][0-9][0-9][a-z]$", "found")
*将变量make和make2不一样的两个变量显示出来
list make make2 if make != make2

make2.png

*清除内存数据
clear
*输入变量number
input str15 number
                         number
             1. "(123) 456-7890"
             2. "(800) STATAPC"
             3. end
*将变量number中的(123) 456-7890转为123-456-7890形式,其中，regexs(1)表示符合第1个子表达式[0-9]+，即括号中的数字的字符串；regexs(2)表示符合第2个子表达式.*，即）后的所有内容。
gen str newnum = regexs(1) + "-" + regexs(2) if regexm(number,"^\(([0-9]+)\) (.*)")
*列出变量number和newnum
l number newnum

number.png

5.补充

• 上述例子中涉及正则表达式（regular expression）中的元字符

元字符	含义	举例
\	后向引用，后面跟正则表达式中的某个元字符，表示匹配该符号。类似于转义。	\\匹配\；\-匹配-。
^	在表达式的开头位置，表示接下来的表达式所要匹配的内容位于字符串的开始的位置。	^B表示以B开头；^\(表示以(开头
$	在表达式的结尾位置，表示钱买你的表达式所要匹配的内容位于字符串结尾的位置。	[0-9]$表示以数字结尾
*	表示将前一个字符或子表达式匹配任意次数，可以为0次。	XY*可以匹配X，也可以匹配XY,XYY,XY.....Y。
+	表示将前一个字符或子表达式匹配至少1次。	XY+可匹配XY,XYY,XY.....Y，但不可匹配X。
?	表示将前一个字符或子表达式匹配0次或1次。	XY?可匹配X或XY
{n}	n为一个非负整数，表示将前一个字符或子表达式匹配n次。	XY{2}匹配XYY；只能用于以ustr开头的4个正则表达式的字符串函数中
.	表示可以匹配任意字符	.*可以匹配任意字符或者不匹配任何字符。
()	创建一个子表达式，可以提取或者替换括号内的子表达式对应的字符串	^\(([0-9]+)\) (.*)可拆成^,\(,([0-9]+),\),(.*),其中,([0-9]+),(.*)为子表达式
-	指定一个范围	a-z：字母a到字母z范围的小写字母；A-Z：字母A到字母Z范围的大写字母；0-9：数值0-9范围内的数字。
[]	方括号内的字符之一被用来进行匹配	[a-z]可以匹配a-z范围内的任意小写字母

来源：http://www.360doc.com/content/16/1223/13/39103730_617058825.shtml

• 序列

正则表达式	含义
\d	匹配数字字符
\D	匹配非数字字符
\s	匹配间隔符（空格）
\S	匹配非间隔符（非空格）
\w	匹配单词字符
\W	匹配非单词字符
\b	匹配词界
\B	匹配非词界

来源：https://blog.csdn.net/arlionn/article/details/85156842

• 常用正则表达式

正则表达式	含义
[\u4e00-\u9fa5]	匹配中文字符
[^\x00-\xff]	匹配双字节字符(包括汉字在内)
\n\s*\r	匹配空白行
<(\S*?)[^>]*>.*?</\1>|<.*? />	匹配HTML标记
^\s*|\s*$	匹配首尾空白字符
\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*	匹配Email地址
[a-zA-z]+://[^\s]*	匹配网址URL
^[a-zA-Z][a-zA-Z0-9_]{4,15}$	匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)
\d{3}-\d{8}|\d{4}-\d{7}	匹配国内电话号码
[1-9][0-9]{4,}	匹配腾讯QQ号(腾讯QQ号从10000开始)
[1-9]\d{5}(?!\d)	匹配中国邮政编码(中国邮政编码为6位数字)
\d{15}|\d{18}	匹配身份证(中国的身份证为15位或18位)
\d+\.\d+\.\d+\.\d+	匹配ip地址

来源：https://blog.csdn.net/wangjia55/article/details/7877915