1. 前言
在目前工作中，用stata清洗及分析數據，感覺很順滑。無奈不少同學因為help文件里的英文望而卻步。
帶著學習和分享的目的，根據工作經驗，給大家整理一些常用以及不太常用但很有用的命令，并對該命令的help文件進行有側重的詳解。
2. 描述
regexm(s,re)：字符串函數。字符串匹配函數。當字符串s符合正則表達式re時，返回1，否則返回0.
regexr(s1,re,s2)：字符串函數。字符串替換函數。將符合正則表達式re的字符串s1中的第一個子字符串替換未字符串s2，并返回替換后的結果字符串。
- 當字符串
s1中不包括符合正則表達式re的子字符串時，返回字符串s1。
regexs(n)：字符串函數。與regexr結合使用。返回regexm(s,re)第n個子表達式對應的子字符串。如果n=0，則表示返回所有符合正則表達式的字符串。
3. 參數
regexm(s,re)：
s：ASCII碼的字符串
re：正則表達式
regexr(s1,re,s2)：
s1：ASCII碼的字符串
re：正則表達式
s2：ASCII碼的字符串
regexs(n)：
n：取值范圍：0 ≤ n < 10
4. 舉例
*調入自帶數據auto
sysuse auto
*列出變量make中以B字母開頭的數據
generate bbegin = regexm(make, "^B")
list make if bbegin == 1
*同上
list make if regexm(make, "^B") == 1
bbegin.png
*列出變量中包含ck字符串的數據
list make if regexm(make, "ck") == 1
ck.png
*列出變量make中以數字結尾的數據
list make if regexm(make, "[0-9]$") == 1
digit.png
*生成新變量make2（通過復制變量make）
generate make2 = make
*將變量make2中以B字母開頭，3個數字+小寫字母結尾的數據替換成found
replace make2 = regexr(make2, "^B.*[0-9][0-9][0-9][a-z]$", "found")
*將變量make和make2不一樣的兩個變量顯示出來
list make make2 if make != make2
make2.png
*清除內存數據
clear
*輸入變量number
input str15 number
number
1. "(123) 456-7890"
2. "(800) STATAPC"
3. end
*將變量number中的(123) 456-7890轉為123-456-7890形式,其中，regexs(1)表示符合第1個子表達式[0-9]+，即括號中的數字的字符串；regexs(2)表示符合第2個子表達式.*，即）后的所有內容。
gen str newnum = regexs(1) + "-" + regexs(2) if regexm(number,"^\(([0-9]+)\) (.*)")
*列出變量number和newnum
l number newnum
number.png
5.補充
- 上述例子中涉及正則表達式（regular expression）中的元字符
| 元字符 | 含義 | 舉例 |
|---|---|---|
| \ | 后向引用，后面跟正則表達式中的某個元字符，表示匹配該符號。類似于轉義。 |
\\匹配\；\-匹配-。 |
| ^ | 在表達式的開頭位置，表示接下來的表達式所要匹配的內容位于字符串的開始的位置。 |
^B表示以B開頭；^\(表示以(開頭 |
| $ | 在表達式的結尾位置，表示錢買你的表達式所要匹配的內容位于字符串結尾的位置。 |
[0-9]$表示以數字結尾 |
| * | 表示將前一個字符或子表達式匹配任意次數，可以為0次。 |
XY*可以匹配X，也可以匹配XY,XYY,XY.....Y。 |
| + | 表示將前一個字符或子表達式匹配至少1次。 |
XY+可匹配XY,XYY,XY.....Y，但不可匹配X。 |
| ? | 表示將前一個字符或子表達式匹配0次或1次。 |
XY?可匹配X或XY
|
| {n} | n為一個非負整數，表示將前一個字符或子表達式匹配n次。 |
XY{2}匹配XYY；只能用于以ustr開頭的4個正則表達式的字符串函數中 |
| . | 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。 |
| () | 創建一個子表達式，可以提取或者替換括號內的子表達式對應的字符串 |
^\(([0-9]+)\) (.*)可拆成^,\(,([0-9]+),\),(.*),其中,([0-9]+),(.*)為子表達式 |
| - | 指定一個范圍 |
a-z：字母a到字母z范圍的小寫字母；A-Z：字母A到字母Z范圍的大寫字母；0-9：數值0-9范圍內的數字。 |
| [] | 方括號內的字符之一被用來進行匹配 |
[a-z]可以匹配a-z范圍內的任意小寫字母 |
來源：http://www.360doc.com/content/16/1223/13/39103730_617058825.shtml
- 序列
| 正則表達式 | 含義 |
|---|---|
\d |
匹配數字字符 |
\D |
匹配非數字字符 |
\s |
匹配間隔符（空格） |
\S |
匹配非間隔符（非空格） |
\w |
匹配單詞字符 |
\W |
匹配非單詞字符 |
\b |
匹配詞界 |
\B |
匹配非詞界 |
- 常用正則表達式
| 正則表達式 | 含義 |
|---|---|
[\u4e00-\u9fa5] |
匹配中文字符 |
[^\x00-\xff] |
匹配雙字節字符(包括漢字在內) |
\n\s*\r |
匹配空白行 |
<(\S*?)[^>]*>.*?</\1>|<.*? /> |
匹配HTML標記 |
^\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]* |
匹配網址URL |
^[a-zA-Z][a-zA-Z0-9_]{4,15}$ |
匹配帳號是否合法(字母開頭，允許5-16字節，允許字母數字下劃線) |
\d{3}-\d{8}|\d{4}-\d{7} |
匹配國內電話號碼 |
[1-9][0-9]{4,} |
匹配騰訊QQ號(騰訊QQ號從10000開始) |
[1-9]\d{5}(?!\d) |
匹配中國郵政編碼(中國郵政編碼為6位數字) |
\d{15}|\d{18} |
匹配身份證(中國的身份證為15位或18位) |
\d+\.\d+\.\d+\.\d+ |
匹配ip地址 |
