【有问必答】通过处理字符串来确定读入范围

原创 2017-01-10 薛原爬虫俱乐部爬虫俱乐部

前一段时间，我们转载了小花经济学术的推文——《如何用Stata批量读取多张工作表的Excel文件》。有朋友在按照上面的程序批量读入数据时就遇到了这样的一个问题。他所要读入的数据是这样的。

如上图，这个数据所要读入的范围是A2:H14。当我们加入describe选项运行import excel命令时，可以看到共有两个sheet，每个sheet的数据范围都是A1:H14。

import excel using "数据.xlsx", describe

这个时候如果我们直接运行之前推文中给出的程序，读入每一个sheet的数据，并且分别保存成dta文件，会怎么样呢？

import excel using "数据.xlsx", describe

forvalues s = 1/`r(N_worksheet)' {

import excel using "数据.xlsx", sheet(`r(worksheet_`s')') cellrange(`r(range_`s')') firstrow clear

save newstata`s'.dta, replace

}

可以看到，数据中的第一行出现在了变量名的位置，而本应当作为变量名的第二行变成了读入后的dta文件的第一行。在这个经过截取的数据中，两个sheet的数据范围都是A1:H14，针对这么一个特殊的例子，我们当然可以把cellrange这个选项中的范围直接替换成A2:H14，但现实中我们是有很多个Excel文件，每个文件有很多sheet，每个sheet的数据范围也并不完全相同，我们无法一一确定每个sheet需要读入的数据范围。我们当然可以读入后用drop in 1删除掉第一行，再用rename来修改变量名，但这样会使程序过长。有没有简单一些的办法呢？在这里，笔者用的方法是处理字符串，来改变读入的范围。

通过观察我们可以发现，每个sheet中的相同点是第一行都是我们不需要的，我们需要的数据范围是从A2开始的。那么剩下的问题就是我们如何找出数据范围到哪个单元格为止，也就是cellrange这个选项中冒号右边的单元格。彭文威的推文中已经介绍了，在import excel命令中加入describe这个选项后再用return list可以看到每一个sheet的情况都被储存到了宏里面。

比如我们要看sheet_1的数据范围，就可以用命令dis"`r(range_1)'"。

那么我们对这个字符串进行处理，就可以获得数据范围右边的单元格。也就是说，我们要对这个字符串进行截取。这里我们用到的字符串函数就是substr()函数。比如这里我们要截取的是第3个字符到最后一个字符的子字符串":H14"，可以写成substr("`r(range_1)'", 3, .)。这里需要说明的是这些表单数据范围都是从A1开始，否则我们还需要将开始的字符位置通过index()函数或者strpos()函数定位到"："的位置，即写成substr("`r(range_1)'", index("`r(range_1)'", ":"), .)。我们将这个子字符串定义为局部宏x，并将A2与局部宏x组合在一起，就可以得到我们要读入的数据范围了。