不久前遇到一位朋友,诉说使用 Stata 14 出现中文乱码,而不得不退而使用更低版本的 Stata 的烦恼。其实,这只是因为 Stata 14 使用了 Unicode(统一码、万国码)。
何为 Unicode?根据百度百科的解释,“Unicode 是计算机科学领域里的一项业界标准,包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的,它为每种语言中的每个字符设定了统一并且唯一的二进制编码,以满足跨语言、跨平台进行文本转换、处理的要求”。
简而言之,Unicode 使得跨语言交流变得更为方便精准。但这也意味着,Stata 14 引入 Unicode 之后,在 Stata 文件中(dta,do,ado 文件等),使用中文输入的字符就会出现乱码。解决方法也不难,只要进行适当的编码翻译(unicode translate)即可,即使用 Stata 14 提供的 unicode 系列命令,将中国大陆通行的国标码(GB18030)翻译为统一码。
正好手头有个关于中国姓氏人口的数据集出现了中文乱码,故截取部分变量的前10个观测值作为演示例子。首先,打开此数据集 surname_test.dta。
. use surname_test.dta, clear
点击数据编辑器 “Data Editor (Browse)” 的快捷键,查看数据:
可以看出,上表的最后一列,变量 character(中文姓氏)出现了乱码,无法正确显示。在使用 Stata 14 命令 unicode 进行编码时,内存中不能有数据,故先删除数据。
. clear
然后,将需要编码的文件(在此为 surname_test.dta),放入当期工作路径(current working directory),通常在Stata的左下角显示。
也可使用命令pwd(path of working directory)来显示当期工作路径。或使用命令cd(change directory)将当期工作路径改为文件surname_test.dta 所在的位置,详见“help cd”。
. pwd
C:\Program Files (x86)\Stata14
接下来,使用命令 unicode analyze 分析数据集 surname_test.dta 是否需要编码翻译。
. unicode analyze surname_test.dta
结果显示,有一个字符串变量需要编码翻译(1 str# variable needs translation)。为此,将编码设为国标码(GB18030),再进行翻译。
. unicode encoding set gb18030
(default encoding now gb18030)
. unicode translate surname_test.dta
(using gb18030 encoding)
结果显示,此文件已编码翻译成功。再次打开此数据集,并通过数据编辑器 “Data Editor (Browse)” 查看:
. use surname_test.dta,clear
上表已能正确显示中国人口最多的十大姓氏依次为:王、李、张、刘、陈、杨、黄、赵、周、吴。相信朋友可以安心使用 Stata 14 了。
(c) 2016, 陈强,山东大学经济学院
转载请注明作者与出处