如何将NIBRS的ASCII格式2021年逮捕数据转为可用数据集？

这类ASCII文件属于固定宽度格式，每个字段对应字符串的特定位置，只需按照NIBRS帮助文件里的字段位置定义，就能拆分出可用数据集。以下是R和Stata的具体操作方法：

R 中的导入方法 #

方法1：基础R的read.fwf() #

适合小数据集，直接用列宽度定义拆分：

# 第一步：根据NIBRS帮助文件，定义每个字段的宽度（比如字段占1-10位，宽度就是10）
col_widths <- c(10, 3, 4, 5, 7, 1, 9, 25, 10) # 示例宽度，替换为实际字段宽度
col_names <- c("AgencyID", "Year", "Month", "OffenseCode", "SomeCol", "Flag", "ArrestNum", "City", "State") # 对应字段名

# 第二步：读取文件，自动拆分
nibrs_data <- read.fwf(
  "nibrs_arrests_2021.txt",
  widths = col_widths,
  col.names = col_names,
  stringsAsFactors = FALSE,
  strip.white = TRUE # 自动去除字段前后的空白填充
)

方法2：tidyverse的read_fwf() #

适合大数据集，速度更快，支持直接用起始/结束位置定义：

library(readr)

# 第一步：根据帮助文件，定义每个字段的起始和结束位置
col_positions <- fwf_positions(
  start = c(1, 11, 14, 18, 23, 30, 31, 40, 65), # 示例起始位
  end = c(10, 13, 17, 22, 29, 30, 39, 64, 74), # 示例结束位
  col_names = c("AgencyID", "Year", "Month", "OffenseCode", "SomeCol", "Flag", "ArrestNum", "City", "State")
)

# 第二步：读取文件
nibrs_data <- read_fwf(
  "nibrs_arrests_2021.txt",
  col_positions = col_positions,
  trim_ws = TRUE # 清除字段前后空白
)

Stata 中的导入方法 #

方法1：直接用infix命令 #

一行命令完成，适合字段不多的情况：

// 按位置定义变量：字符型加str，数字型直接写变量名和位置
infix str AgencyID 1-10 Year 11-13 Month 14-17 OffenseCode 18-22 SomeCol 23-29 Flag 30 ArrestNum 31-39 str City 40-64 str State 65-74 using "nibrs_arrests_2021.txt", clear

• 说明：clear表示清除当前内存中的数据；如果要测试前10行，加in 1/10即可。

方法2：使用字典文件（复杂结构首选） #

如果字段数量多，先写一个字典文件（比如命名为nibrs_dict.dct）：

dictionary using "nibrs_arrests_2021.txt" {
    str AgencyID 1-10
    int Year 11-13
    int Month 14-17
    int OffenseCode 18-22
    int SomeCol 23-29
    str Flag 30
    long ArrestNum 31-39
    str City 40-64
    str State 65-74
}

然后在Stata中执行：

use "nibrs_dict.dct", clear

关键注意事项 #

• 必须严格对应NIBRS帮助文件里的字段位置，位置错一位就会导致所有数据错位。
• 测试时优先导入少量行验证拆分结果，没问题再处理全量数据。
• 字符型字段的空白填充可以用工具自动清除，避免后续分析出错。

内容的提问来源于stack exchange，提问作者leecarvallo