[原创]stata寻找重复数据(duplicates)

[hellohappy]

---

---

目录：
    前言：
    方法：
        duplicates report
        duplicates list
        duplicates example

---

---

前言：

    错误数据中，有一类是重复变量。
    比如，正确的数据是面板数据，时间维度为year，个体维度为countrycode（随便提一下，把字符串转换成对应数字id的语法是gen id = group(countrycode)。）。但是，删掉了那些缺失数据以后，依然被stata报告说变量组合 year 、 countrycode 不唯一。

stata报告数据组合标识不唯一.png (3.42 KiB) 查看 16756 次

stata报告数据组合标识不唯一.png (3.42 KiB) 查看 16756 次

   这就说明数据里面可能有了重复数据（错误数据）。要怎么快速定位这些重复数据呢？

方法：

    stata内置了一个命令 duplicates ，专门用于处理这类事务。下面是 duplicates 的help帮助原文：

help文件

Show

Title

    [D] duplicates -- Report, tag, or drop duplicate observations

Syntax

    Report duplicates
        duplicates report [varlist] [if] [in]

    List one example for each group of duplicates
        duplicates examples [varlist] [if] [in] [, options]

    List all duplicates
        duplicates list [varlist] [if] [in] [, options]

    Tag duplicates
        duplicates tag [varlist] [if] [in] , generate(newvar)

    Drop duplicates
        duplicates drop [if] [in]
        duplicates drop varlist [if] [in] , force

    options                  Description
    -------------------------------------------------------------------------
    Main
      compress               compress width of columns in both table and display formats
      nocompress             use display format of each variable
      fast                   synonym for nocompress; no delay in output of large datasets
      abbreviate(#)          abbreviate variable names to # characters; default is ab(8)
      string(#)              truncate string variables to # characters; default is string(10)

    Options
      table                  force table format
      display                force display format
      header                 display variable header once; default is table mode
      noheader               suppress variable header
      header(#)              display variable header every # lines
      clean                  force table format with no divider or separator lines
      divider                draw divider lines between columns
      separator(#)           draw a separator line every # lines; default is separator(5)
      sepby(varlist)         draw a separator line whenever varlist values change
      nolabel                display numeric codes rather than label values

    Summary
      mean[(varlist)]        add line reporting the mean for each of the (specified) variables
      sum[(varlist)]         add line reporting the sum for each of the (specified) variables
      N[(varlist)]           add line reporting the number of nonmissing values for each of the (specified) variables
      labvar(varname)        substitute Mean, Sum, or N for value of varname in last row of table

    Advanced
      constant[(varlist)]    separate and list variables that are constant
                               only once
      notrim                 suppress string trimming
      absolute               display overall observation numbers when using
                               by varlist:
      nodotz                 display numerical values equal to .z as field of
                               blanks
      subvarname             substitute characteristic for variable name in
                               header
      linesize(#)            columns per line; default is linesize(79)
    -------------------------------------------------------------------------

Menu

    duplicates report, duplicates examples, and duplicates list
        Data > Data utilities > Report and list duplicated observations

    duplicates tag
        Data > Data utilities > Tag duplicated observations

    duplicates drop
        Data > Data utilities > Drop duplicated observations

Description

    duplicates reports, displays, lists, tags, or drops duplicate observations, depending on the subcommand specified.  Duplicates are observations with identical values either on all variables if no varlist is specified or on a specified varlist.

    duplicates report produces a table showing observations that occur as one or more copies and indicating how many observations are "surplus" in the sense that they are the second (third, ...) copy of the first of each group of duplicates.

    duplicates examples lists one example for each group of duplicated observations.  Each example represents the first occurrence of each group in the dataset.

    duplicates list lists all duplicated observations.

    duplicates tag generates a variable representing the number of duplicates for each observation.  This will be 0 for all unique observations.

    duplicates drop drops all but the first occurrence of each group of duplicated observations.  The word drop may not be abbreviated.

    Any observations that do not satisfy specified if and/or in conditions are ignored when you use report, examples, list, or drop.  The variable created by tag will have missing values for such observations.

Examples

    Setup
        . sysuse auto
        . keep make price mpg rep78 foreign
        . expand 2 in 1/2

    Report duplicates
        . duplicates report

    List one example for each group of duplicated observations
        . duplicates examples

    List all duplicated observations
        . duplicates list

    Create variable dup containing the number of duplicates (0 if observation is unique)
        . duplicates tag, generate(dup)

    List the duplicated observations
        . list if dup==1

    Drop all but the first occurrence of each group of duplicated
    observations
        . duplicates drop

    List all duplicated observations
        . duplicates list

更多详细请去stata输入 help duplicates
 

    这个命令我只提最简单和实用的三个用法，其他用法在上述help文件中自己亲自试一下就可以了。

    duplicates report

        首先是 duplicates report ，这个命令的意思是，报告有多少重复的变量（单个变量）或者变量组合（比如我这里的year 和 countrycode 变量组合），他会以数字的形式告诉你。以变量组合year 和 countrycode 为例：

Code： 全选

duplicates report year countrycode

变量组合重复报告.png (4.07 KiB) 查看 16749 次

变量组合重复报告.png (4.07 KiB) 查看 16749 次

        这里告诉我，19722个变量组合都是没有重复的，但是有两个变量组合重复了1次（其实就有一对组合重复了，比如a、1和a、1两个重复了）。现在知道有数据是错的了，但是错在哪里呢？接着下一个命令。

    duplicates list

        duplicates list 是把重复的数据列举出来的命令，比如以变量组合year 和 countrycode 为例：

Code： 全选

duplicates list  year countrycode

变量组合重复报告list.png (6.04 KiB) 查看 16748 次

变量组合重复报告list.png (6.04 KiB) 查看 16748 次

        这里告诉我，第15480个变量组合，也就是year=1962 并且 countrycode=SEN 的时候的变量组合重复了。

    duplicates example

        当然，如果你某些变量组合重复次数很大的话，可以需要把list换成example，这样，每一个重复组合都会只汇报一次。我这里同样以变量组合year 和 countrycode 为例：

Code： 全选

duplicates example  year countrycode

变量组合重复报告example.png (5.63 KiB) 查看 16748 次

变量组合重复报告example.png (5.63 KiB) 查看 16748 次

        对于我自己上面的变量，由于我知道是不小心重复了，直接删掉某一个观测值即可。（如果你觉得重复数据都是错的，使用duplicates drop命令可以删掉重复数据）
        drop 删掉的格式是 drop in n1/n2, n1 和n2是你要删除的起始行和结束行。

Code： 全选

drop in 15480/15480