在Stata中提取字符串数字左侧字符的方法：药物名称标准化需求

针对你提到的两种提取需求，以下是具体的Stata实现方案：

需求1：提取到独立剂量数值（整数/百分比/范围）之前的名称 #

核心是区分名称中带数字的词（如12HR）和独立的剂量数值（如120、0.65%、50-25），只截断到独立剂量数值之前的内容。

实现代码 #

* 生成新变量存储提取结果
gen new_name = ""

* 匹配带后续内容的剂量数值（如"3 COMBO PACK"）
replace new_name = regexs(1) if regexm(drug_name, "^(.+?)\s+(?:\d+(?:\.\d+)?(?:-\d+(?:\.\d+)?)*%?)\s")

* 匹配位于字符串末尾的剂量数值（如无后续内容的情况）
replace new_name = regexs(1) if regexm(drug_name, "^(.+?)\s+(?:\d+(?:\.\d+)?(?:-\d+(?:\.\d+)?)*%?)$")

* 查看结果
list drug_name new_name

正则逻辑说明 #

• ^(.+?)：非贪婪匹配从字符串开头到目标模式前的所有内容，确保只截取到第一个剂量数值之前的部分
• \s+：匹配剂量数值前的空格分隔符
• (?:\d+(?:\.\d+)?(?:-\d+(?:\.\d+)?)*%?)：匹配各类剂量格式，包括整数、小数、数值范围、百分比（非捕获组，仅用于匹配）
• \s/$：匹配剂量数值后的空格或字符串结尾，确保是独立的剂量词

预期结果 #

需求2：忽略名称中所有含数字的词，提取纯文字名称 #

如果需要完全剔除任何包含数字的词（如12HR），只保留纯文字组成的名称部分，可以用以下方法：

实现代码 #

* 直接替换掉第一个含数字的词及后续所有内容
gen new_name_no_num = regexr(drug_name, "\s+\w*\d\w*.*$", "")

* 查看结果
list drug_name new_name_no_num

正则逻辑说明 #

• \s+\w*\d\w*：匹配第一个包含数字的词（前面带空格分隔）
• .*$：匹配该词之后的所有内容
• 替换为空字符串后，即得到纯文字组成的前缀名称

预期结果 #

内容的提问来源于stack exchange，提问作者Adrian