Stata中如何按字符串变量取值分组生成新分类变量

原有代码失效原因 #

• encode搭配inrange()的方案逻辑错误：encode的作用是将字符串按字典排序映射为从1开始的连续整数并附带值标签，不会解析字符串本身的数值含义。比如"10.112"和"9.999"两个字符串，按字典序"10.xxx"排在"9.xxx"前面，encode后前者对应的整数更小，和实际数值大小完全无关，因此用它做数值区间判断必然出错。
• 循环写法的问题：一是没有提前生成目标变量，Stata中对不存在的变量执行replace会直接报错；二是代码中混用BRANSCH、BRANSCH1变量名，很容易因变量名不匹配导致赋值失败；三是逐值循环效率偏低，这类匹配场景有更简洁的内置函数可用。

具体实现方案 #

根据分组逻辑选择对应方法即可：

场景1：指定离散代码精确匹配分组 #

适用于手动列出所有对应代码、按固定值分组的需求（比如你列出的14个食品行业代码归为1的场景）。
如果单组匹配值数量不多，可以直接用inlist()函数，代码可读性最高：

* 初始化新分类变量，默认赋值为缺失值
gen BRANSCH_NEW = .
* 注意：字符串格式的inlist最多支持同时判断9个匹配值，超过数量拆分多个inlist用|（或逻辑）连接即可
replace BRANSCH_NEW = 1 if ///
    inlist(BRANSCH, "10.112", "10.120", "10.130", "10.390", "10.520", "10.710", "10.721", "10.822", "10.840") | ///
    inlist(BRANSCH, "10.850", "10.890", "11.020", "11.030", "12.000")
* 其他分组按相同逻辑追加replace命令即可

如果单组匹配的代码数量很多，用local列表循环的方案更方便，不受参数数量限制：

gen BRANSCH_NEW = .
* 定义分组1对应的所有代码，用空格分隔
local livsmedel "10.112 10.120 10.130 10.390 10.520 10.710 10.721 10.822 10.840 10.850 10.890 11.020 11.030 12.000"
* 遍历列表逐值匹配赋值
foreach c of local livsmedel {
    replace BRANSCH_NEW = 1 if BRANSCH == "`c'"
}

场景2：按行业代码数值区间分组 #

适用于你之前提到的“代码在10_{12区间归为1、16}17.3区间归为2”这类按数值范围分组的需求。
不要用encode转码，先用destring把字符串格式的行业代码转为真正的数值型变量，再直接用inrange()做区间判断即可：

* 将字符串格式的BRANSCH转为数值型变量
destring BRANSCH, gen(bransch_num)
* 初始化新分类变量
gen BRANSCH_NEW = .
* 按数值区间赋值
replace BRANSCH_NEW = 1 if inrange(bransch_num, 10, 12)
replace BRANSCH_NEW = 2 if inrange(bransch_num, 16, 17.3)
replace BRANSCH_NEW = 3 if inrange(bransch_num, 19, 20.6)
* 后续分组按相同逻辑追加replace命令即可

注意：执行destring前可以先跑tab BRANSCH if missing(real(BRANSCH))检查是否存在非数字格式的异常代码，确认无异常后再执行转码，避免数据丢失。

进阶建议 #

如果分组规则复杂、需要频繁调整，可以单独维护一份两列的映射表：第一列为原始BRANSCH代码，第二列为对应的分组值，用merge命令将映射表和原数据匹配直接生成分组变量，后续调整规则只需要修改映射表，不需要改动核心处理代码。

内容的提问来源于stack exchange，提问作者Marika