Sata中的字符型函数与正则表达式

查找并提取查找结果

gen age_low = real(ustrregexs(0)) if ustrregexm(年龄,".*(?=-)")

• 其中,年龄为字符型变量，包含了类似于“18-25岁“这样的字符。
• ustrregexm命令可以进行正则匹配，当符合匹配时返回1，否则为0，因此该命令不能范围查找结果，需要结合ustrregexs(0)命令使用。
• ustrregexs(0)意为返回上一个ustrregexm命令中匹配到的第一个结果。
• real()为将字符型转为数值型的命令。
• 当处理中文字符时，必须使用ustrregexm，而不是regexm。

前向与后向查找

• (?=pattern)正向肯定预查（look ahead positive assert），
  在任何匹配pattern的字符串开始处匹配查找字符串。
  例如，“Windows(?=95|98|NT|2000)”能匹配“Windows2000”中的“Windows”

• (?<=pattern)反向（look behind）肯定预查
  例如，“(?<=95|98|NT|2000)Windows”能匹配“2000Windows”中的“Windows”

特殊字符处理

charlist varname可以返回某个变量中的所有字符（数字、标点符号、特殊字符和英文字母）；随后return list可以返回这些字符对应的ASCII编码。
该命令可以快速检索字符型变量中的特殊字符。

正则表达式版本

Regular expression syntax is based on Henry Spencer’s NFA algorithm, and this is nearly identical to the POSIX.2 standard.（来自于stata17的string function的说明文档）

常见文本匹配

• 汉字字符： [\u4E00-\u9FFF]
• 性别提取：
  local regular "女[性士生]优先|男[性士生]优先|男女不[限拘]|男女[都皆均]可|男性士生|女性士生|男女|(?<![\u4E00-\u9FFF])男女|性别(不限|男|女)|只[招要][男女]|(要求|招聘)男女|限[男女]"
• \w:匹配标点符号
• \W：匹配非标点符号
• 提取含有某个关键词的句子：r"[^标点符号]*?关键词[^标点符号]*"