【stata笔记】从规律混乱的字符串中提取某个类别的字符（以CGSS2010的地区变量为例）

问题

使用CGSS2010重复某文章中的定量研究，中需要因变量“区县人均收入”。
如何在CGSS2010中为所有样本生成一个格式一的“所在区县”信息？
CGSS2010中包含区县信息的变量为S42。tab s42 发现，其中填写方式混乱， 在是否包含市级信息，是否包含“市”、“区”、县”等字样、是否包含空格等方面 存在大量不一致，无法采用统一的标记及顺序行提取。

目标

尽量避免缺失值地生成区县变量，内容为不包含地区行政级别的区县名称，一 般是2个字，也可能是1或3个字。

分析过程

使用tab查看当前填写方式形成的所有分类；

规律

1、按照标记可以分为四种类型：①含“市”且含“区/县”，②含“市”不含“区/县”，
③不含“市”但含“区/县”，④不含“市”不含“区/县”四种情况；
2、存在同时包含两个“市”字符的数据，统一认定为县级市，计划保留后一个 市的信息；
3、需要清除的符号有空格和加号“十”；

计划

基本思路

1.清除多余的空格及加号
replace
subinstr()
2.去掉市级信息，只保留县级信息
generate
replace
strpos()
usubstr()
length()
（1）带标记的：从“市”所在的顺位开始提取到最后一个字符

（2）不带标记的：观察构成，寻找其他规律，比如相同字数的值是否可以取倒数几位
3.去除末尾的“市”、“区”、“县”、“左旗”、“县级市” 等字样
4. 2~3之前可以将各记号所在顺位、字符串长度生成为工具变量，方便书写的减省

代码

use "D:\Privacy of Wal\graduate crriculum\stata\about CGSS\CGSS2010-15.dta" 
		*从s42中提取出区县名（不含区县二字）并存放到新变量
		tab s42 //分类统计查看取值及其分布
		*统一格式和生成工具值	
		replace s42=subinstr(s42," ","",.) //去除S42取值中的空格
		replace s42=subinstr(s42," ","",.) //去除S42取值中的空格
		gen shipos=(strpos(s42,"市")+2)/3 if strpos(s42,"市")!=0 //找到第一个“市”的位置
		gen quxianpos=(strpos(s42,"县")+2)/3 if strpos(s42,"县")!=0
		replace quxianpos=(strpos(s42,"区")+2)/3 if