读取含中文字符的.dta文件时出现编码错误

我之前也踩过类似的Stata中文编码坑，给你几个亲测有效的思路：

• 先检测文件的实际编码
  咱们猜的gb系列编码不一定准确，可以用chardet库自动检测文件编码，步骤很简单：

  1. 先安装chardet：pip install chardet
  2. 运行检测代码：

     import chardet
     
     with open('你的文件路径.dta', 'rb') as f:
         detect_result = chardet.detect(f.read())
     
     print("检测到的编码：", detect_result['encoding'])
     

  拿到结果后，把这个编码值传给pandas的read_stata的encoding参数试试，比如检测到是utf-8，就用pd.read_stata("file.dta", encoding="utf-8")。

• 换用pyreadstat库读取
  Pandas的read_stata在编码兼容上有时候不够灵活，专门处理Stata文件的pyreadstat库对中文编码的支持要好很多：

  1. 安装库：pip install pyreadstat
  2. 读取代码：

     import pyreadstat
     
     df, meta_data = pyreadstat.read_dta('你的文件路径.dta', encoding='utf-8')
     

     如果utf-8不行，换成检测到的编码试试，大部分情况下这个方法能搞定乱码。

• 用Stata先转码再读取
  如果上面两种方法都没效果，可以试试用Stata本身把文件转成UTF-8编码：
  打开Stata加载你的.dta文件，执行命令：

  saveold "转码后的文件名.dta", replace encoding(utf-8)
  

  之后用Pandas读取转好的文件，直接pd.read_stata("转码后的文件名.dta")基本就能正常显示中文了。

另外补充个小提醒：有些非常老旧的Stata文件可能用的是Windows系统默认的GBK编码，如果chardet检测不准，可以手动试试encoding="gbk"，说不定能解决问题。

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