2.1 数据的类型、压缩和转化
数据是进行实证研究的基础，也是运用Stata进行分析的基石。本节主要讲解基本的数据打开、Stata中的数据类型以及数据压缩与转化等相关操作内容。
2.1.1 数据的打开
Stata一般能够识别的数据文件的后缀名为.dta，打开这些数据文件的命令为use。use命令的基本语法格式如下：
use [varlist] [if] [in] using filename [, clear nolabel]
在这个命令中，use是打开数据的命令语句，varlist代表变量名称，if是条件语句，in是范围语句，using filename代表数据文件路径。
下面将详细介绍常用的5种情形，所使用到的数据文件名称为usaauto.dta，是根据统计资料得到的美国汽车产业的横截面数据（1978年）。在本书下载资源的data文件夹中可以找到本章的流工作文件，表2.1显示了其中部分数据。
表2.1 usaauto部分数据
我们要利用这个数据文件进行各种打开文件的操作。
1．打开数据文件中的全部数据
如果想要打开usaauto数据文件中的全部数据，输入的标准命令如下：
use "C:\data\usaauto.dta"
use表示执行打开操作，引号中的C:\data\usaauto.dta表示数据文件的路径。这里的usaauto.dta文件放在了C盘的data文件夹下。如果数据文件位于Stata默认的data文件夹中，那么可使用如下简化命令：
use usaauto
此外，还可以使用sysuse命令打开所有本地计算机上的数据文件，无论其是否在data文件夹中，而且不需要注明文件路径。在这个例子中命令如下：
sysuse usaauto
打开数据文件以后会显示如图2.1所示的结果，Variables窗口将显示所有的变量名称及存储类型等内容。
图2.1 打开数据文件
2．打开数据文件中的部分变量
有时并不需要将数据文件中的所有变量全部打开，因为原始数据可能内容丰富，含有很多变量，而研究只涉及其中的几个变量。例如，只用到usaauto文件中的make和price两个变量，可使用如下命令：
use make price using "C:\data\usaauto.dta"
use make price部分表示需要打开make和price两个变量，using "C:\data\usaauto.dta"部分表示打开的数据文件路径及名称。
3．打开数据文件中的部分样本
此外，原始数据文件的样本数量有时过于庞大，例如人口普查的数据动辄千百万，可是一般的研究大部分不需要全部的样本，只需要部分样本即可。例如，只要打开usaauto文件中第5~10个样本的数据，可以使用如下命令：
use "C:\data\usaauto.dta" in 5/10
in 5/10部分表示选取的样本序号，即第5~10个样本。
4．打开数据文件中具有某些特征的样本
还有一种情形：原始数据将不同特征的样本混杂在一起，而在研究中却要求将不同的样本分开，例如分别研究男性、女性的情况，城市、农村的经济问题，等等。这时需要分别打开不同特征的样本数据进行分析，如打开usaauto文件中进口车样本数据的命令如下：
use "C:\data\usaauto.dta" if foreign=1
if是条件命令参数，后面紧跟具体的条件，该命令执行的结果就是让Stata仅仅读入符合条件的样本数据。在本例中，foreign=1表示是进口车，所以打开的数据就是进口车的数据。
5．打开网络数据
在Stata官方网站或其他网站上会提供一些示例数据，如果你想使用这些数据而又没有直接下载到本地计算机上，那么Stata也有专门的命令以供使用。例如，nlswork是Stata官方网站提供的有关美国年轻女性的年龄、工资等的数据，若想通过网络直接打开，则可以运行如下命令：
use http://www.stata-press.com/data/r9/nlswork
也可以打开由其他网站提供的数据文件，将路径修改成所需要的网址和数据名称即可。
还有一条更为简便的命令webusenlswork，但是这个命令只能获取Stata官方网站的数据。
2.1.2 数据的类型与压缩
1．数据的类型
Stata常用的数据类型主要有3类：数值型、字符型和日期型。下面逐一进行介绍。
（1）数值型
数值型变量主要是由数字、正负号、小数点组成的数据，按其精度和存储大小不同又可分为5类，具体内容见表2.2。
表2.2 数值型数据
其中，double是所有变量中所需存储空间最大的一个，相应的，其精度也最高。当用户使用的时候，应根据变量的特征来设置变量类型。在Stata中默认的数值型变量类型为float型。
（2）字符型
字符型变量通常用来说明样本的一些特征信息，可以由字母、特殊符号和数字组成，但这里的数字已经退化成一种符号，不再具有数值特征。字符型数据一般会被保存为str#格式，str后面的数字代表最大字符长度，如str6表示可容纳最大长度为6个字符的字符型变量。字符型变量一般用英文状态下的引号（""）进行标注，且引号一般不被视为字符型变量的一部分。
（3）日期型
Stata软件中用来表示时间的变量有多种表达方式，例如1987年8月15日可以写为19870815，也可以写为15081987，等等。在Stata中将1960年1月1日看作分界线，为第0天，之前的天数都加上一个负号，例如1959年12月30日为第-2天。
2．数据的压缩
如果数据类型的设置不恰当，就会带来一系列的麻烦，若类型设置过小，则会使得一些数据无法正常输入，这一类问题较容易发现；反之，若类型设置过大，则会造成存储空间的浪费。对于这一问题的避免可使用compress命令对数据进行压缩。compress命令能在很大程度上减少数据占用的存储空间，但不会改变数据的内容和精度，从而使用起来较为方便。数据压缩的命令语句为：
compress [varlist]
其中，varlist是将要压缩的变量名称，若不指明要压缩的变量名称，则Stata默认将对整个数据文件进行相应的压缩。
例如，我们生成一个样本，变量的名称为a，数值大小为1，使用Stata默认的类型为float。其命令如下：
clear
set obs 1
gen a=1
describe
在这组命令中，clear用于清空内存；set obs 1是指样本容量设置为1（set obs是进行样本容量设定的命令语句）；gen a=1表示生成一个名称为a的变量，它的值为1；describe命令将用来描述变量的基本情况。上述命令执行后将显示如图2.2所示的执行结果。
图2.2 生成一个变量a
从图2.2中可以看到，这时a的类型确实为float。为了压缩变量a所占用的存储空间，可使用如下命令：
compress
describe
执行结果如图2.3所示，可以发现这时a的类型已经变成了byte。
图2.3 对变量a压缩
2.1.3 数据类型的转化
有时为了处理方便，需要实现不同数据类型的转化，这样可以极大地提高运用数据的效率。常用的转化命令有两个：一个是destring，将字符型变量转化成数值型变量；另一个是tostring，将数值型变量转化成字符型变量。
1．将字符型变量转化成数值型变量
字符型变量之间不能进行数值计算，所以如果对字符型变量进行数值计算，Stata就会提醒出现系统错误，这时必须将字符型变量转化成数值型变量。基本命令语句如下：
destring [varlist], [generate (newvarlist) | replace] [options]
varlist是进行数据转化的变量名称，generate (newvarlist) | replace表示生成新的变量或者替换原来的变量，options是一些可选项，具体内容如表2.3所示。
表2.3 destring选项表
例如，打开数据文件water，使用describe命令可发现所有的数据类型均为字符型，如图2.4所示。
图2.4 water数据文件
如果想要进行计算，就必须将所有数据转化成数值型，具体命令如下：
use c:\data\water, clear
destring year production capital labor, replace
第一条语句用于打开water数据文件，第二条语句destring是进行数据转化的命令语句，year、production、capital、labor是被转化的变量名称，replace表示用转化后的数据替换原有数据。
这个命令执行完之后，再用describe命令进行查看，可以得到如图2.5所示的结果，显示所有的字符型变量已经转化成数值型变量。
图2.5 将water中的变量转化为数值型
如果字符型变量中含有空格（如表2.4所示的date.dta数据文件中的日期变量），想转化成如表2.5所示的格式，那么可使用如下命令：
use c:\data\date, clear
destring date, replace ignore("")
destring date表示对date变量进行转化，replace表示替换原有数据，ignore("")表示转化时忽略空格。注意，两个引号之间必须有一个空格，否则不能正确执行。
表2.4 date文件转化前
表2.5 date文件转化后
如果字符型变量中包含特殊字符，如货币单位“$”“￥”或“%”符号，就不能实现顺利转化。例如，在price.dta数据文件中，price变量中包含美元符号“$”（见表2.6），要实现到表2.7的转化就属于这一种情形。
表2.6 price文件转化前
表2.7 price文件转化后
实现这种转化不仅要消去“$”这一符号，还需要生成新的一列，具体命令如下：
use c:\data\price, clear
destring price, gen(price_1) ignore("$")
其中，destring price表示对变量price进行转化；gen(price_1)这一部分的含义就是生成一个新的变量用来存储转化后的数据，新的变量名称为price_1，这不同于replace命令直接用新数据替换旧数据；ignore("$")即在转化过程中忽略特殊符号“$”的影响。
2．将数值型变量转化成字符型变量
其实这一部分的转换是上面内容的一个逆运算，只是命令语句不同，由destring转变成了tostring，其他部分基本一致，语句如下：
tostring [varlist], [generate (newvarlist) | replace] [options]
例如，将financevalue.dta数据文件中的数据全部转化成字符型变量，所使用的命令语句为：
use c:/data/financevalue, clear
tostring year save financevaluegdp loan dummy dummy_gdp, replace
第一条命令语句用于打开数据文件，第二条命令语句用于将所有的数值型变量全部转化成字符型变量，前后都使用describe命令进行描述，可以看到由图2.6向图2.7的转化。
图2.6 consumption_china文件转化前
图2.7 consumption_china文件转化后